Retinex model is an effective tool for low-light image enhancement. It assumes that observed images can be decomposed into the reflectance and illumination. Most existing Retinex-based methods have carefully designed hand-crafted constraints and parameters for this highly ill-posed decomposition, which may be limited by model capacity when applied in various scenes. In this paper, we collect a LOw-Light dataset (LOL) containing low/normal-light image pairs and propose a deep Retinex-Net learned on this dataset, including a Decom-Net for decomposition and an Enhance-Net for illumination adjustment. In the training process for Decom-Net, there is no ground truth of decomposed reflectance and illumination. The network is learned with only key constraints including the consistent reflectance shared by paired low/normal-light images, and the smoothness of illumination. Based on the decomposition, subsequent lightness enhancement is conducted on illumination by an enhancement network called Enhance-Net, and for joint denoising there is a denoising operation on reflectance. The Retinex-Net is end-to-end trainable, so that the learned decomposition is by nature good for lightness adjustment. Extensive experiments demonstrate that our method not only achieves visually pleasing quality for low-light enhancement but also provides a good representation of image decomposition.
IllumFlow: Illumination-Adaptive Low-Light Enhancement via Conditional Rectified Flow and Retinex Decomposition
School of Mathematics and Statistics, Xidian University（西安电子科技大学数学与统计学学院）；School of Mathematics and Statistics, Xi'an Jiaotong University（西安交通大学数学与统计学学院）
Low-light Image Enhancement with Retinex Decomposition in Latent Space
School of Automation, Hangzhou Dianzi University（杭州电子科技大学自动化学院）；College of Artificial Intelligence, Jiaxing University（嘉兴大学人工智能学院）；School of Artificial Intelligence at Dalian University of Technology（大连理工大学人工智能学院）；Department of Computer Science at City University of Hong Kong（香港城市大学计算机科学系）
DI-Retinex: Digital-Imaging Retinex Theory for Low-Light Image Enhancement
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；University of Chinese Academy of Sciences（中国科学院大学）；The School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；The School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间科学与技术学院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
Pre-processing Image using Brightening, CLAHE and RETINEX
Centre of Digital Technologies Education Research (CODER)（数字技术教育研究中心（CODER））；ICT, School of Technology, Environments & Design（技术、环境与设计学院信息与通信技术（ICT））；University of Tasmania（塔斯马尼亚大学）
Nankai University（南开大学）；Taishan University（泰山学院）；Tianjin University（天津大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）；Shenzhen Institute of Future Media Technology（深圳未来媒体技术研究院）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
Retinex Meets Language: A Physics-Semantics-Guided Underwater Image Enhancement Network
State Key Laboratory of Physical Oceanography and the Faculty of Information Science and Engineering, Ocean University of China（物理海洋学国家重点实验室和中国海洋大学信息科学与工程学院）；School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen university（中山大学深圳校区计算机科学与技术学院）
Retinex-RAWMamba: Bridging Demosaicing and Denoising for Low-Light RAW Image Enhancement
Institute of Advanced Technology, University of Science and Technology of China（科学技术大学先进技术研究院）；School of Computer and Artificial Intelligence, Beijing Technology and Business University（北京科技与商务大学计算机与人工智能学院）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；University of Science and Technology of China（科学技术大学）；School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院）
Deep Bilateral Retinex for Low-Light Image Enhancement
South China University of Technology（华南理工大学）；Peng Cheng Laboratory（鹏城实验室）；Tencent AI Lab（腾讯AI实验室）；Stony Brook University（石溪大学）；National University of Singapore（新加坡国立大学）
Multinex: Lightweight Low-light Image Enhancement via Multi-prior Retinex
Department of Computer Science, University of Manchester（曼彻斯特大学计算机科学系）；ETcTI, University Politehnica Timisoara（蒂米șoara工业大学ETcTI）；West University of Timisoara（蒂米șoara西大学）
DA-DRN: Degradation-Aware Deep Retinex Network for Low-Light Image Enhancement
MOE Key Lab for Neuroinformation, University of Electronic Science and Technology of China (UESTC)（电子科技大学神经信息教育部重点实验室（UESTC））；University of Electronic Science and Technology of China (UESTC)（电子科技大学（UESTC））
在真实世界的低光条件下获得的图像不仅亮度低，而且还遭受许多其他类型的退化，例如颜色失真，未知噪声，细节丢失和光晕伪影。在本文中，我们提出了一种用于弱光图像增强的Degradation-Aware Deep Retinex Network（DA-DRN），并解决了上述退化问题。基于Retinex理论，该模型中的分解网络可以将低光照图像分解为反射率图和光照图，并直接处理分解阶段反射率的退化。我们提出了一个退化感知模块（DA模块），它可以指导分解器的训练过程，并使分解器在训练阶段是一个恢复器，而无需在测试阶段增加额外的计算成本。DA模块可以实现去除噪声的目的，同时将细节信息保留到光照图中，并解决颜色失真和光晕伪影。我们引入感知损失来训练增强网络，以生成更符合人类视觉感知的亮度改进的照明图。我们训练和评估我们提出的模型在LOL真实世界和LOL合成数据集上的性能，我们还测试了我们的模型在其他几个常用的数据集没有地面真理（LIME，DICM，MEF和NPE数据集）。我们进行了大量的实验，以证明我们的方法取得了良好的鲁棒性和泛化效果，并优于许多其他国家的最先进的方法定性和定量。我们的方法只需要7毫秒处理一个图像与600 x400分辨率上的TITAN Xp GPU。
ERetinex: Event Camera Meets Retinex Theory for Low-Light Image Enhancement
School of Software Engineering, Xi’an Jiaotong University（西安交通大学软件学院）；College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）；Institute of Artificial Intelligence and Robotics, Xi’an Jiaotong University（西安交通大学人工智能与机器人研究所）；School of Software, Tsinghua University（清华大学软件学院）
RSEND: Retinex-based Squeeze and Excitation Network with Dark Region Detection for Efficient Low Light Image Enhancement
Department of Computer Science and Engineering University of California, San Diego（计算机科学与工程系，加州大学圣地亚哥分校）；Department of Electrical Engineering and Computer Science University of California, Irvine（电气工程与计算机科学系，加州大学伊尔市分校）
A Frequency-Aware Self-Supervised Learning for Ultra-Wide-Field Image Enhancement
College of Information Engineering, Zhejiang University of Technology, Hangzhou, China（浙江工业大学信息工程学院）；Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences, Ningbo, China（中国科学院宁波材料技术与工程研究所）；Department of Eye and Vision Science, University of Liverpool, Liverpool, UK（利物浦大学眼科学与视觉科学系）；School of Biomedical Engineering, ShanghaiTech University, Shanghai, China（上海科技大学生物医学工程学院）
Better Than Reference In Low Light Image Enhancement: Conditional Re-Enhancement Networks
Harbin Institute of Technology（哈尔滨工业大学）
弱光图像存在噪声严重、亮度低、对比度低等问题。在以往的研究中，提出了许多图像增强方法，但很少有方法能同时处理这些问题。针对这些问题，本文提出了一种结合监督学习和以往基于HSV（Hue，Saturation，Value）或Retinex模型的图像增强方法的弱光图像增强方法。首先，分析了HSV颜色空间与Retinex理论的关系，证明了增强图像的V通道（HSV颜色空间中的V通道，等于RGB颜色空间中的最大通道）能够很好地表征对比度和亮度增强过程。然后，提出了一种数据驱动的条件再增强网络（表示为CRENet）。该网络以弱光图像为输入，以增强后的V通道为条件，重新增强弱光图像的对比度和亮度，同时降低噪声和色彩失真。需要注意的是，在训练过程中，任何曝光时间不同的配对图像都可以用于训练，不需要仔细选择监督图像，这会节省很多。此外，在2080 Ti GPU上处理分辨率为400*600的彩色图像所需时间不到20 ms。最后通过对比实验验证了该方法的有效性。实验结果表明，本文提出的方法能够显著提高增强后图像的质量，并且通过与其他图像对比度增强方法相结合，最终增强结果甚至可以在对比度和亮度上优于参考图像。(Code将在https：//github.com/hitzhangyu/image-enhancement-with-denoise上提供）
