a486259的博客

本文是为数不多将过暗与过曝基于一种网络结构实现的模型，算法运行速度极其快，但并没有在一个训练任务中使模型兼容过暗与过曝调节能力。同时，在下游任务中，作者的实验较少，只是表现在过暗图像目标检测中取得了良好的效果。如果仅是为了做过暗图像矫正，可以考虑使用[SCI网络](https://hpg123.blog.youkuaiyun.com/article/details/140417597)。推荐SCI理由：1、不容易存在将图像矫正为过曝；2、SCI作者分享了大量的下游应用效果，其表明在语义分割与目标检测中均取得显著效果。但

1、整个论文的出发点在于Transformer在图像增强领域效果好的核心在于全局感知能力，故而在cnn方法上提出OKM模块可以使模型具备全局感知能力。2、OKM模块由全局分支（频域感知）、大分支（conv63x63）和局部分支（conv1x1）组成，模块设置在瓶颈层（bottleneck层，即网络中特征图空间最小的区域），可以降低计算量3、最后就是在描述OKM模块在图像增强(图像去模糊、图像去雨和图像去模糊)领域的效果（加入OKM模块设计后psnr上涨了5个点。）；表明其方法在FLOP为17.86G

现有的`低光图像增强技术`大多不仅难以处理视觉质量和计算效率，而且在未知的复杂场景中也通常无效。在本文中，我们开发了一个新的自校准照明（SCI）学习框架，用于在现实世界的弱光场景中快速、灵活和鲁棒的亮化图像。具体来说，我们建立了一个具有权重共享的级联照明学习过程来处理这个任务。考虑到级联模式的计算负担，我们构建了自校准模块，实现了各阶段结果之间的收敛，产生了仅使用单一基本块进行推理的增益（在以前的工作中尚未利用），大大降低了计算成本。然后，我们定义了无监督的训练损失，以提高模型的能力，可以适应一般的场景。进

从论文方法上看，AIRNet提出了一种较为简易的pipeline，以单一网络结构应对多种任务需求（不同类型，不同程度）。但在效果上看，ALL-In-One是不如One-By-One的，且本文方法的亮点是batch内选择patch进行对比学习。在与sota对比上，仅是Denoise任务精度占优，在Derain与Dehaze任务上，效果不如One-By-One的MPRNet方法。虽然精度不足，但方向是对了，在2024年，该方向或许有更优秀的论文