低光照图像综述：
关键名词：HDRNet（high dynamic range network） GAN(gen-erative adversarial network) 轻量化 伪影 语义分割网络 Retinex 拉普拉斯 金字塔
鲁棒性 RUAS 泛化能力
内容：
低光照图像增强的一个核心任务在于提升图像亮度以显示更多结构与细节
为获取肉眼可见且信息高质量图像 1）通过物理成像过程的参数设置来提高成像质量。2)提高ISO 构建智能化算法提高图像质量。
根据算法设计理念不同，现有低光照增强算法分为三大类：
1>基于分布映射的方法（S型曲线变换（伽马矫正）直方图均衡化）
缺点：（1）缺乏对低光照图像自身对于光照需求的建模以及忽略了分布内在的联系，以至于无法有效区分语义，进而导致该类技术生成的结果往往存在颜色失真，以及细节异常等视觉不友好的现象。
（2）对于低光照增强而言，伽马矫正的增强结果极其不自然且不真实，尤其在曝光水平和细节表现上。基于S型曲线的方法，曝光不均匀现象仍然是存在的最大的问题
改进：双直方图均衡化方法，二元子图像直方图均衡化方法 （实现曝光的自然化处理）
自适应直方图均衡化方法 对比度自适应的直方图均衡化方法 （处理细节损失）
双边滤波分解低光观测随后采用不同参数设置的S型曲线方法处理分解层，并进行重新组合。
试图对通过分割输入而产生的每个子区域执行S型曲线功能。
2>基于模型优化的方法 (基于迭代的算法流程，Retinex理论）
缺点：限于设计的先验的刻画能力,这些传统算法往往会产生曝光不足、色彩不饱和以及伪影或噪声明显的问题。
3>基于深度学习的方法（分为两大类：用于亮度增强的方法 联合亮度增强与噪声去除的方法）
缺点（难点）：缺乏有效的训练数据对
（传统与深度学习）二者对比：
基于模型优化的方法整体上优于基于深度学习的方法，基于模型优化的方法不依赖于数据的影响，现相对突出的基于深度学习方法(表现为前两名)当中,除 FIDE外,均属于无监督方法。
基于模型优化的工作在某些具有挑战的场景中能够实现令人满意的性能。基于深度学习的方法依赖于大量的训练数据,数据是影响性能的重要因素,
基于深度学习的方法无法将已经训练好的模型快速的应用于另一种不同分布的数据上 基于无监督深度学习的方法要普遍优于全监督的深度学习方法
传统方法通过对图像本身进行分析，不依赖于数据的影响，性能较为稳定
不足：大多数的数据集属于非成对数
据,而由于低光照图像增强建模中的光照难以得到,
无法有效合成理想的成对数据集,因此现有的成对
低光照图像数据集中的标签主要依赖于手工参数的
设置(调整曝光时间或专家修饰),存在多种物理因
素变化带来的误差,使得标签不精确;此外,一些数
据集的构造过程考虑了检测标签,即与高层视觉任
务建立联系
