- 这是ACMMM2019的一篇有监督暗图增强的论文，KinD
- 其网络结构如下图所示：
- 首先是一个分解网络分解出R和L分量，然后有Restoration-Net和Adjustment-Net分别去对R分量和L分量进一步处理，最终将处理好的R分量和L分量融合回去。这倒是很常规的流程。其中有些novel的细节，一个是分解网络利用得到的R分量来指导L分量的提取。一个是可控的亮度调节模块
分解网络
-
分解网络的损失函数如下：其中前两个损失很常见，分别是重建损失和暗图亮图具有相同R的约束。第三个损失是L分量的平滑损失，不过用原图的梯度进行归一化，以使得暗图的边缘区域得以保留；第四个损失同样是对L分量的平滑损失，这里则是用一个曲线使得梯度值居中的部分（噪声）平滑掉
-
-
-
-
L i s L D = L^{LD}_{is}= LisLD=
-
-
-
R的重建网络
- restoration net的损失函数如下，是暗图的R的修复结果和亮图的R的各种距离度量：
I 的调整网络
- illumination adjustment net的输入除了分解网络估计的 L L L，还有一个全为 α \alpha α的concatenate到 L L L的feature map， α \alpha α表示调节因子，可以用目标 L L L除以输入的 L L L去global average得到。网络的功能是将输入的 L L L调整为target的 L L L。这一方法相比其它retinex的方法直接对 L L L进行gamma校正的手段，具有更好的效果。
- 这一模块的损失函数如下，这一损失要算两次的，一次是暗图的 L L L作为输入，亮图的 L L L作为target，一次是反过来：
实验结果
方法的可视化效果和NIQE都非常不错，在LOL上的PSNR也很高：
