DDE处理的细节分离背景层和细节层：使用特殊的滤波器，将图像分成背景层和细节层。背景层通常包含低频信息，而细节层包含高频信息。对背景层进行灰度增强：通过对背景层应用适当的灰度增强算法，提高背景层的对比度和视觉感知。对细节层进行细节增强和噪声抑制：细节层中包含着图像的细节信息，可以利用非线性处理方法，例如增强锐化或边缘增强算法来增强细节，并抑制噪声。动态范围调整：根据图像的整体动态范围，对背景层和细节层进行动态范围的调整和压缩，以便将原本动态范围较高的图像信息映射到8位输出图像的范围内。合成输出图像：将增强后的背景层和细节层重新合成为一幅8位输出图像，以显示大动态温差和目标局部细节信息。如上，D

这是CVPR2023的一篇用diffusion先验做图像修复和图像增强的论文之前有一篇工作做了diffusion先验（BahjatKawar,MichaelElad,StefanoErmon,andJiamingSong,“Denoisingdiffusionrestorationmodels,”arXivpreprintarXiv:2201.11793,2022.2,4,6,7），但这个模型只能做线性的退化，对于暗图增强这种非线性退化复原则没有能力。关键的公式就是如下的式子：式7是diffusion模型的reverse过程，带了个条件y（低质量图片），通过约等号，条件y表现为了正态分布均值的

这是2022年TPAMI上发表的大名鼎鼎的MIRNetv2，是一个通用的图像修复和图像质量增强模型，核心是一个多尺度的网络网络结构整体是残差的递归，不断把残差展开可以看到是一些残差块的堆叠。核心是多尺度的MRB。网络用的损失函数朴实无华：MRB的核心是RCB和SKFF两个模块，先介绍SKFF，它是用来融合多尺度特征图的，如下所示。这里的特征图是已经上采样到相同尺度了，相加做一个globalaveragepooling和全连接层后，分成两个向量，各自再全连接层一次，然后softmax归一化使得两个向量的加和处处为1，然后进行通道加权后相加。RCB模块如下图所示，具体做什么都能看懂，其实就是卷积加

文章目录前言一、基本原理Retinex理论y=zⓧx单尺度Retinex算法（SSR）二、论文内容1.网络结构IlluminationEastimationSelf-CalibratedModule：作用使每个阶段的结果收敛到同一状态。2.损失函数保真度损失平滑损失3.讨论Operation-InsensitiveAdaptability（操作不敏感适应性，即在不同的简单操作设置下获得稳定的性能）Model-IrrelevantGenerality（模型不相关通用性，即可以应用于基于光照的现有著作以提高性能）二、模型代码（官方代码）总结SCI开辟了一个新的视角：即在训练阶段引入辅助过程来增强基

ABSTRACT        由于其固有的特性，小目标在多次下采样后的特征表示较弱，甚至在背景中消失。FPN简单的特征拼接 没有充分利用多尺度信息，在信息传递中引入了不相关的上下文，进一步降低了小物体的检测性能。为了解决上述问题，我们提出了简单但有效的FE-YOLOv5。(1)我们设计了 特征增强模块(FEM)来捕捉小目标更具辨别力的特征。全局注意力和高级全局上下文信息用于指导浅层的高分辨率特征。全局注意力与跨维度特征交互，减少信息丢失。高级上下文 通过非局部网络对全局关系进行建模来补充更详细的语义信息。（2）我们设计了 空间感知模块（SAM）来过滤空间信息并增强特征的鲁棒性。可变形卷积 执

Abstract近年来，基于学习的方法越来越流行，以增强照片的色彩和色调。但是，许多现有的照片增强方法要么提供不令人满意的结果，要么消耗过多的计算和内存资源，从而阻碍了它们在实践中对高分辨率图像(通常具有超过12百万像素)的应用。在本文中，我们学习了图像自适应的3维查找表(3DLUTs)，以实现快速而强大的照片增强。3DLUTs广泛用于操纵照片的色彩和色调，但通常是手动调整并固定在相机成像管道或照片编辑工具中。据我们所知，我们第一次建议使用成对或不成对的学习从带注释的数据中学习3DLUTs。更重要的是，我们学到的3DLUT是图像自适应的，可以进行灵活的照片增强。我们以端到端的方式同时学习多个基

Abstract当人们在低光条件下拍摄图像时，图像通常会受到低能见度的影响。除了降低图像的视觉美感外，这种不良的质量还可能显著降低许多主要为高质量输入而设计的计算机视觉和多媒体算法的性能。在本文中，我们提出了一种简单而有效的微光图像增强(LIME)方法。更具体地说，首先通过在R、G和B通道中寻找最大值来单独估计每个像素的光照。此外，我们通过在初始光照图之前添加一个结构来细化初始光照图，作为最终的光照图。通过构造良好的光照图，可以实现相应的增强。在一些具有挑战性的弱光图像上进行了实验，以揭示我们的LIME的功效，并显示其在提高质量和效率方面优于几个先进技术。I.INTRODUCTION毫无疑问，