low-light系列：Lightening Network for Low-light Image Enhancement

前言

文章下载链接在后面
这是一篇顶刊TIP2020的文章，重点在于：

• 文章将暗光增强任务视为一个求residual（残差）的任务
• LBP模块的提出，借用了SR（超分辨率）任务中的back-projection思想
• 可调亮度的参数γ
• 没有采用常用的L1、L2作为loss，而是采用SSIM loss 与TV smooth loss
• 暗光增强任务需要融合global和local不同层级的特征才能很好地完成任务

residual的假设

$$Y=X+\gamma P(X)-n$$
其中将$P()$是提亮操作，X是原图，γ是参数，减去n是噪声，Y是期望的图像。
简单的，即原图X加上提亮操作后的残差再减去噪声，即成为期望的提亮图像。在论文中，认为低光图像和正常光照图像差距体现在像素value上的不同，即低光数值低，正常光数值高。论文中有更加详细的解释。

DLN网络结构

网络结构如图，输入低光图像，经过一系列模块后计算出残差，再加上最开始的原图X，得到期望的图像Y。

LBP

BP是back-projection，是来自于超分领域的思想，作者将其成功应用在暗光增强领域，成为lighten BP，即LBP

这里需要结合公式，以及这张图进行理解：