本研究解决了水下图像因光散射、吸收及雾状颗粒导致的低分辨率和可见度差的问题。我们提出了一种结合多尺度Retinex去雾方法与超分辨率卷积神经网络的混合策略，显著提高了水下图像的清晰度、对比度和色彩还原。实验结果表明，该方法在水下图像处理方面优于传统技术，具有重要的应用潜力。

该论文提出了一种基于深度学习的Retinex模型，旨在改善低光图像的增强效果。通过构建LOL数据集和多种新方法，实验结果表明该模型在图像质量、计算效率和实时应用方面优于现有技术，具有良好的视觉效果和性能。

该研究提出了一种基于Retinex的阴影模型和ShadowFormer网络，通过多尺度注意机制建模阴影与非阴影区域的关系，结合SP-Net和M-Net的深度学习方法，显著提高了阴影去除效果，并在多个数据集上验证了其优越性。

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...

本文提出了一种基于深度学习的Retinex模型，旨在改善低光图像的增强效果。通过构建LOL数据集进行训练，实验结果表明该方法在图像质量提升方面表现优越。同时，研究还提出了结合去噪策略的联合增强方法，有效抑制噪声并提高对比度。

该研究提出了一种基于Retinex的阴影模型和ShadowFormer网络，通过多尺度注意机制建模阴影与非阴影区域的关系，显著提高了阴影去除效果，并推动了阴影去除技术的发展。

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。

DiffLL是一种稳健高效的低光图像增强方法，利用波浪变换加速推理，通过前向扩散和反向去噪实现稳定去噪和减少随机性。高频率恢复模块能更好地恢复细节。实验证明该方法在定量和视觉上优于现有方法，并在效率上有显着提高。还证明了该方法在低光人脸检测方面的潜在实际价值。

本文提出了一种基于学习的零参考低光增强方法ZERRINNet，通过利用N-Net网络、RI-Net网络和纹理损失来解决低光图像增强中的问题，实现对训练数据的泛化性能的大幅提升。该方法在自制真实低光数据集和高级视觉任务上得到了有效验证，具有竞争力的性能。

该论文提出了一种基于补丁匹配的风格转移方法，通过 Retinex 理论和通道分组策略解决了现有技术的挑战，并实现了更加风格一致的纹理和内容的忠实性。