本研究提出了一种新型低光图像增强方法，利用HVI彩色空间和CIDNet网络，有效去除颜色偏差和亮度伪影，显著提升图像恢复效果。

本研究提出了一种新型事件驱动的场景文本识别框架SimC-ESTR，克服了传统RGB摄像头在低光和运动模糊条件下的局限性，并创建了包含9,928个样本的数据集EventSTR，显著提高了识别的准确性和效率。

本研究提出了ReDDiT框架，通过轨迹解码器和反射感知模块，解决低光图像增强的计算和性能问题。学生模型在更少步骤中超越教师模型。实验表明，该方法在2步时性能与传统方法相当，8步或4步时最佳。

在开发网页应用时，A14G设备在低光下摄像头预览与拍摄图像颜色不一致。绿色、蓝色、红色和浅粉色在视频中显得暗淡，尤其是浅粉色变灰。自动设置下问题持续，但手动调整ISO可改善。其他手机无此问题。

本文提出了一种新的网络结构，利用感知偏差照明和完整图像建模来解决低光照图像增强问题。通过伽马校正与深度网络相结合，能够自适应地感知偏离的照明并学习校正因子伽马。实验证明该方法优于现有方法。

本研究针对在暗光环境中多视角图像增强的挑战，首次探讨了该领域的不足之处。提出的递归协同网络（RCNet）结构通过设计特征增强、对齐与融合模块，有效利用不同视角之间的纹理对应性。实验结果显示，RCNet在增强性能上显著优于现有方法，推动了低光图像处理技术的发展。

本研究提出了一种KAN-Block方法，基于Kolmogorov-Arnold网络，用于低光图像增强。实验证明该方法在处理复杂非线性关系时表现优异。

该研究介绍了一种创新的框架，利用事件相机数据提高低光条件下的视频物体分割准确性。实验证实了该方法在低光照情况下的有效性。

该研究提出了一种基于事件感知的运动去模糊和帧插值的统一框架，通过超低延迟缓解运动模糊并实现中间帧预测。实验结果表明，该方法在合成和真实世界数据集上均取得了显著的性能优势，是一种有效的去模糊技术方案。

本文提出了一种无监督的网络，使用上下文引导的自适应光照规范来增强低光图像，并且还提出了一个能够从单个低光图像生成多个增强图像的区域自适应的SIMO模型，同时介绍了一个新的低光场景数据集LLRS，该模型在公共数据集以及LLRS数据集上的表现均优于以往的方法。

该研究提出了一种新型图像增强网络ResVMUNetX，解决了低光条件下深度学习方法的局限性。通过两步过程，包括像素添加和去噪卷积神经网络模块，提高了亮度、恢复了结构细节并消除了噪声。在LOL数据集上展示了卓越性能，实现了每秒70帧的实时处理速度。证实了其在增强低光图像方面的有效性和实际应用潜力。

自适应光照增强网络（ALEN）通过分类机制确定光照增强需求，并提高颜色保真度。实验证明ALEN在鲁棒性和性能方面超越了最先进方法。

CoLIE是一种新的图像增强方法，通过映射欠曝光图像的2D坐标到光照分量上，并在本地上下文中进行增强。该方法利用隐式神经函数和嵌入导向滤波器进行增强光图像的重建，降低了计算开销。通过引入基于单图像的训练损失函数，提高了模型对不同场景的适应性。经过评估，证明了该方法在图像质量和场景适应性方面的优越性。CoLIE在低光照场景下具有实际应用价值。

CoLIE是一种新的图像增强方法，通过映射欠曝光图像的2D坐标到光照分量上，并在本地上下文中进行增强。该方法利用隐式神经函数和嵌入导向滤波器进行图像重建，降低了计算开销。引入了基于单图像的训练损失函数，提高了模型的适应性。经过评估，证明了该框架在图像质量和场景适应性方面的优越性。

本文提出了一个基于扩散的无监督框架，将可解释的 Retinex 理论与扩散模型结合，进行低光图像增强，名为 LightenDiffusion。通过在潜在空间而非图像空间进行 Retinex...

在本文中，我们提出了基于 RSEND 的更为准确、简洁和单阶段的 Retinex 理论框架，该框架首先将低光照图像分解为光照图和反射图，然后捕捉光照图中重要的细节并进行光照增强，在此步骤之后，优化增强后的灰度图像并与反射图进行逐元素矩阵乘法运算，通过对前一步骤输出进行去噪，最终获得最终结果。全面的定量和定性实验表明，我们的高效 Retinex 模型明显优于其他基于 CNN...

通过使用基于变压器的低光增强方法与深度展开网络，提出了一种新颖的低光增强方法 LLEMamba。实验证明，LLEMamba 在定量评估和视觉结果的畸变度方面都有更好的表现。

通过使用 T 形模型架构对低分辨率图像进行全局结构信息的捕捉，并逐步恢复细节，我们提出了一种轻量级的 DDPM（LighTDiff），该模型在保留性能的同时显著减小了模型大小。同时，我们引入了时间光单元（TLU）来实现稳定训练和改善去噪结果，通过与去噪图像特征建立时间步骤的关联，建立去噪步骤的时间依赖性。此外，我们还引入了色度平衡器（CB）来缓解扩散模型中可能存在的光谱变化问题。我们的...

该研究介绍了RetinexMamba架构，结合了传统Retinex方法和深度学习框架，通过引入SSMs提高了处理速度，并使用Fused-Attention机制替换了IG-MSA，提高了模型的解释能力。实验结果表明，RetinexMamba在增强低光图像方面优于现有方法。