[愚见]Lightening Network for Low-LightImage Enhancement

文章开始展示了作者自己的DLN（deep lighting network）增强图像的效果，由于γ(类似亮度控制)的原因，感觉比GT效果还好。

不同γ对图像的影响。γ=1是就是estimate normal lighting image。

作者的初衷是什么呢？作者认为没有绝对的NL（normal lighting）图像，NL图像不过就是比LL图像像素值高一些，动态范围更大一些。受超分辨[1]的思想，希望利用反向投影从LL（low -lighting）图像中重建出NL图像。 所以作者提出了LBP（lighting back projiection）模块（对特征图进行残差学习，增强明亮效果），和FA（feature aggregation）模块（重新校准特征图特征）。

什么是Back-projection:

只对[1]中的UP-projection做讲解。Lt-1 

即：弱光图像+残差 = 正常光图像  ：

而整个DLN网络的主要工作就是要计算P（·），什么样的P作用到X上会得到一个X与Y之间的最优残差。 整个DLN也就可以概括为一个大型残差计算网络。

DLN架构图，接下来介绍LBP ,FA模块。

 LBP模块：借鉴了反向投影，这里可以由论文介绍得知。

 结合公式看。

 offset estimating 这里是对NL-LL图像进行一个学习，学习一个大概的偏执量，对图像进行一个像素增强（提亮），+操作就是加上增强像素，-操作就是减去增强像素。

FA模块主要是三个步骤。特征链接，校准，下采样（Digesting）。

这里第一步连接多个不同深度的，应该就是经过64层的卷积得到的不同特征程度的特征图（可以近似理解为低频图，高频图这个样子的图进行的连接）

 

 这里的Recalibration操作类似SEnet，在文章第三页的特征校准处介绍了，element-wise multiplication操作。

最后是LOSS，不做解释。