ALEN：一种统一和非统一低光图像增强的双重方法
内容提要
本文综述了低光环境下图像增强的多种方法，包括基于深度自编码器的去噪技术、CPGA-Net网络、BCNet图像着色方法及轻量级神经网络。这些方法结合传统技术与深度学习，旨在改善低光图像的质量，具有良好的应用前景。
延伸解读
低光增强的技术路线多样性
文章梳理了多种低光图像增强方法，涵盖基于深度自编码器的去噪、结合传统先验与深度学习的CPGA-Net、通过着色实现的BCNet、轻量级神经网络、多尺度注意力变换器、物理光照模型、注意力引导方法以及双分支网络LCDBNet。这些方法从不同角度切入，有的侧重去噪，有的关注色彩恢复，有的追求实时性，反映了该领域技术路线的丰富性。
传统方法与深度学习的融合趋势
CPGA-Net结合了暗/亮通道先验、伽马校正、大气散射模型和Retinex理论等传统特征，与深度学习技术融合，成为轻量级网络并在主客观评价上表现优异。这表明在低光增强中，传统图像处理知识仍具价值，与数据驱动方法结合可提升性能，为实际应用提供新思路。
轻量化与实时处理的进展
文章提到一种仅5k参数的轻量级卷积神经网络，能处理非均匀照明图像，并在实时环境下达到50 fps的增强速度。同时，其他方法如轻量级神经网络也关注全局与局部曝光校正。这些工作显示，在保证增强效果的同时，降低计算复杂度、满足实时需求是重要研究方向，有利于移动端或嵌入式部署。
评估基准与数据集的公开化
文章提及一个包含低光图像增强算法分类、数据集和web平台的综述，并公开了多设备低光图像数据、在线评估平台及指标，且定期更新。这为研究者提供了统一的比较基准，有助于推动算法公平对比和领域发展，也方便从业者根据评估结果选择合适方法。
Q&A
低光图像增强有哪些主要方法？
主要方法包括基于深度自编码器的去噪技术、CPGA-Net网络、BCNet图像着色方法和轻量级神经网络等。
CPGA-Net网络的特点是什么？
CPGA-Net结合传统方法与深度学习，利用暗/亮通道先验和伽马校正等特征，表现优异且为轻量级网络。
BCNet网络如何解决低光图像增强问题？
BCNet通过图像着色来解决低光条件下的图像增强问题，并支持用户偏好的定制增强。
轻量级神经网络在低光图像增强中的作用是什么？
轻量级神经网络提出全局低光强度增强和局部自适应校正，显著改善不同区域的曝光问题。
多尺度注意力变换器（MSATr）有什么优势？
MSATr通过提取局部和全局特征改善低光图像质量，优于现有方法，解决亮度不一致的问题。
如何提高低光图像中的物体检测能力？
基于物理光照模型的方法可以提高低光图像中的物体检测能力，取得了有前景的结果。
