低光照增强论文阅读：Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

Posted 2022-12-03 告白少年

特点：

1.将亮度增强作为一个利用深度网络进行图像曲线估计的任务.它将这个任务转换为了一个image-specific曲线估计问题(图像作为输入曲线作为输出)，这类曲线对在输入的动态范围内进行像素级调整，从而获得增强图像。
2.提出了新的loss function.通过设置一系列non-reference的损失函数(空间一致性损失、曝光控制损失、色彩稳定性损失和照明平滑损失,可以间接反映增强质量)，使得网络在没有任何参考图像的情况下能够进行end-to-end训练，训练时不需要任何配对或未配对的数据（避免了过拟合的风险）。

网络结构：

对输入图像不断迭代，直到LOSS最小，上一次输出的图像和这一次输入图像的map再输入，进行迭代

相关笔记：
1.https://blog.csdn.net/u014546828/article/details/106853850
2.https://blog.csdn.net/zrg_hzr_1/article/details/110144335?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242
3.https://blog.csdn.net/qq_36560894/article/details/108024748

相关链接：
论文地址：paper
代码地址：code
论文中的人脸检测TensorFlow版本代码：DSFD人脸检测算法的tensorflow实现
论文中人脸检测所用数据集：DARK FACE
人脸检测DSFD的论文：DSFDpaper