每天分享一些读的论文，可能是详细的笔记，也可能是简单的略读带过。 理解有偏差的地方还望交流指出，共同进步。

1. [low-light] Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement (CVPR 2020)

暗光照增强工作。设计二次曲线，在图像的动态范围内对图像进行像素级的调整，得到增强的图像。作者还设计了无参考的损失函数，使网络在无参考的情况下进行训练。 亮点：

• 提出了不需要GT的训练loss，可以避免过拟合。
• 设计了LE-curve二次曲线，反复在每个像素点上迭代调整，实现图像的高阶曲线亮度增强
• 模型很小

【资源链接】

• GitHub https://github.com/Li-Chongyi/Zero-DCE
• 项目主页 https://li-chongyi.github.io/Proj_Zero-DCE.html

【工作详细介绍】

网络结构如图，作者先是通过简单的网络（DCE-Net）估计出几次迭代需要的参数，然后将不同的参数带入到每次次迭代的曲线中，完成增强。整体框架很简单，现在的问题就落到了曲线的设计上。

曲线的设计需要满足三个要求：

1. 增强的曲线像素值要归一化到0~1，避免截断，导致信息丢失
2. 曲线应该是单调的，以此保证图像的对比度
3. 曲线应该反向传播可导、尽量简单

作者采用了二次曲线：

其中，x是像素点坐标，是参数，不同参数alpha下LE曲线如（b）所示。可以控制曲线的形状，可以增强暗的部分，抑制过曝光的部分。

定义高阶迭代的曲线：

作者实现的n=8。高阶的曲线有更大的曲率，能够调节的范围更大。
上面提到的高阶曲线可以在更宽的动态范围内调整图像，但由于α应用于所有的像素，所以仍为图像全局的调整。这种全局的调整会导致局部区域过曝或者过暗，为了解决这个问题，作者重新定义α为一个pixel-wise参数(即每个像素点都有其对应的曲线)。

【non-reference loss】

1. Spatial Consistency Loss.

1. Exposure Control Loss

希望曝光度适中，E=0.6

1. Color Constancy Loss

三通道均衡

1. Illumination Smoothness Loss.

亮度满足TV

贴一张主观结果