這是BMVC2022的論文，提出了一個(gè)輕量化的局部全局雙支路的低光照?qǐng)D像質(zhì)量增強(qiáng)網(wǎng)絡(luò)，有監(jiān)督。

• 思路是先用encoder $f(?)$轉(zhuǎn)到raw-RGB域，再用decoder $g_t(?)$模擬ISP過程轉(zhuǎn)到sRGB域。雖然文章好像沒有明確指出，但我看 $g_t(?)$過于簡(jiǎn)單，應(yīng)該是在$f(?)$就已經(jīng)進(jìn)行增強(qiáng)了。也就是說，$f(?)$先把暗圖的sRGB轉(zhuǎn)成亮圖的raw-RGB，再轉(zhuǎn)到sRGB域。
• gt(?)=(max(∑cjWci.cj(?),?))γ,ci,cj∈{r,g,b}g_t(\cdot)=(max(\sum_{c_j}W_{c_i. c_j}(\cdot),\epsilon))^\gamma,c_i,c_j\in\{r,g,b\}gt?(?)=(max(∑cj??Wci?.cj??(?),?))γ,ci?,cj?∈{r,g,b}
• 從公式可以看出，decoder是一個(gè)3x3的矩陣$W$，這是一個(gè)簡(jiǎn)化的ISP過程，用3x3的矩陣來模擬ISP的白平衡過程，用$?$作為下限閾值的$\gamma$校正來模擬ISP的非線性映射過程
• $f(I_i)=I_i\odot M+A$
• 從公式可以看出，encoder用element-wise的乘和加來實(shí)現(xiàn)逆ISP的過程，并同時(shí)對(duì)圖像進(jìn)行增強(qiáng)。
• 網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示：
  
• 網(wǎng)絡(luò)結(jié)構(gòu)就不詳細(xì)展開了，結(jié)果而言就是通過網(wǎng)絡(luò)來預(yù)測(cè)上面公式中的$M,A,W,\gamma$，來實(shí)現(xiàn)增強(qiáng)
• 給出了幾種實(shí)驗(yàn)結(jié)果，一是在LOL和fivek數(shù)據(jù)集上的對(duì)比
  
• 二是在（Learning multi-scale photo exposure correction（CVPR2021））提出的 exposure correction dataset 上對(duì)比：
  
• 三是在高層視覺任務(wù)上對(duì)三個(gè)黑暗圖像數(shù)據(jù)集進(jìn)行對(duì)比
  
• appendix里面給出了一些有意思的分析，和我在研究的方向幾乎一致。
  
• 文章提出，直接對(duì)暗圖進(jìn)行增強(qiáng)后用訓(xùn)練在正常光照?qǐng)D像上的目標(biāo)檢測(cè)模型去檢測(cè)會(huì)存在“target inconsistency(human vision v.s. machine vision)”，因此應(yīng)該將兩個(gè)網(wǎng)絡(luò)聯(lián)合訓(xùn)練
  
• 這一實(shí)驗(yàn)結(jié)果顯示，用預(yù)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行joint training是更有效的方式。也就是說先在增強(qiáng)數(shù)據(jù)集上訓(xùn)練好增強(qiáng)網(wǎng)絡(luò)，再和預(yù)訓(xùn)練好的目標(biāo)檢測(cè)模型一起在黑暗圖像目標(biāo)檢測(cè)數(shù)據(jù)集上聯(lián)合訓(xùn)練能夠得到更好的結(jié)果。而我此前之所以出現(xiàn)不好的結(jié)果是因?yàn)槲业木W(wǎng)絡(luò)是無監(jiān)督網(wǎng)絡(luò)，從而我會(huì)試圖在聯(lián)合訓(xùn)練時(shí)也為增強(qiáng)網(wǎng)絡(luò)提供增強(qiáng)任務(wù)的損失，而文章的網(wǎng)絡(luò)是有監(jiān)督網(wǎng)絡(luò)，它無法實(shí)現(xiàn)這點(diǎn)，但卻得到了好的結(jié)果，說明聯(lián)合訓(xùn)練時(shí)不應(yīng)該提供增強(qiáng)任務(wù)的損失。