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。

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。

本文介绍了一种新型低光图像增强方法，基于多分支卷积神经网络和注意力机制，能够有效提升图像的亮度、对比度和色彩。该方法在多个数据集上表现优异，尤其在低光和噪声条件下，提供高保真的图像增强效果。

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。

本文介绍了一种基于语义引导的零样本低光增强网络，旨在提升低光图像的检测和分割性能。研究表明，该模型在低光照条件下的目标检测和识别效果优于现有技术。此外，科尔莫戈洛夫-阿诺德网络（KAN）在图像分类和生成AI中表现出色，推动了神经网络架构的优化。

本文介绍了一种名为FastLLVE的低光视频增强方法，利用查找表技术实现低延迟和低复杂度。研究提出了EvLight框架，显著提高了低光条件下的视频质量和去模糊性能，并创建了多个真实世界数据集以支持评估。

本文提出了一种基于事件相机的运动去模糊方法，结合自监督学习和多尺度网络，显著提升了真实场景中的去模糊效果。研究表明该方法在合成和真实数据集上表现优越，并构建了相关数据集以促进后续研究。

本文介绍了一系列低光图像增强方法，包括深度学习网络结构和无监督学习策略。这些方法通过优化图像处理流程，显著提升了低光环境下图像质量，并在真实场景中展示了有效性和竞争力。

本文综述了低光图像增强算法及其评估，介绍了基于对比学习、Transformer和语义感知的多种增强方法。这些新算法在多个数据集上表现优于现有模型，提升了图像质量和处理效率，具有良好的实际应用潜力。

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。

本文介绍了多种低光图像增强方法，如 CodeEnhance、CPGA-Net 和 CoLIE。这些方法结合传统技术与深度学习，显著提升了低光图像的质量和适应性，具有良好的鲁棒性和实用价值。实验结果显示，这些方法在低光照场景中表现优异，适合实际应用。

本文介绍了多种低光图像增强方法，包括轻量级神经网络、结合CNN和transformers的框架ClassLIE，以及基于对比学习的算法。这些方法在不同数据集上表现优异，有效解决了低光条件下的曝光、噪声和颜色失真问题，展现出良好的鲁棒性和定制化能力。

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...

该研究提出了RetinexMamba架构，结合传统Retinex方法与深度学习，显著提升了低光图像增强效果。实验结果显示，RetinexMamba在定量和定性指标上均优于现有方法，且处理速度更快、解释能力更强。此外，研究还展示了基于Mamba的多种图像处理技术在医学图像重建和多模态融合中的有效性。

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...

该研究提出了名为 MambaIR 的新模型，结合卷积和通道注意力，显著提升了图像恢复性能。实验证明其在医学图像重建和多模态图像融合任务中表现优越，超越了现有技术。文章回顾了 Mamba 模型的应用，并提供了未来研究方向。

提出了一种用于低光遥感图像增强的双域特征融合网络 (DFFN)，通过将振幅信息与相位信息分别学习来实现低光增强任务，同时通过信息融合亲和块在不同阶段和尺度上组合不同的数据，通过广泛的评估，证明该方法优于现有最先进方法。