用于自然图像去雾算法的质量评价算法，目前去雾评价中应用最多的一种算法，来源于文章“Blind contrast enhancement assessment by gradient ratioing at visible edges”

nccn论文代码

FAST EFFICIENT ALGORITHM FOR ENHANCEMENT OF LOW LIGHTING VIDEO

Deep Bilateral Learning for Real-Time Image Enhancement文献调研

两篇文献的调研报告： （1）Deep Image Prior （2）EnlightenGAN-Deep Light Enhancement without Paired Supervision

Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement文献调研

Underexposed Photo Enhancement using Deep Illumination Estimation文献调研

全变差去噪matlab代码令人敬畏的低光图像增强 论文和代码 评论与相关工作 [2021 IJCV ]基准微光图像增强及超越 [2020 IEEE ACCESS ]基于实验的弱光图像增强方法综述 基于HE的算法 去做 基于Retinex的算法 [2020年提示] LR3M：通过低阶正则化Retinex模型进行鲁棒的微光增强 [2018技巧]通过稳健的Retinex模型揭示结构的微光图像增强 [2016 CVPR ] MF：同时反射率和照度估计的加权变分模型 [2017提示] LIME：通过照明贴图估计进行低光图像增强 基于降噪的算法 去做 监督深度学习算法 [2021技巧]稀疏的梯度正则化深度Retinex网络，用于鲁棒的弱光图像增强（） [2020 CVPR ]学习通过分解和增强来还原弱光图像 [2019预印本]注意引导的微光图像增强 [2018 BMVC ] Retinex-Net：用于弱光增强的深度Retinex分解 [2018 FG ] GLADNet：具有全球意识的弱光增强网络 [2018 CVPR ]学习在黑暗中看 半监督深度学习算法 [2020 CVPR ] DRBN：从

matlab曲线的颜色代码令人敬畏的微光增强 如果您有任何问题，建议或改进，请提交问题或PR。 内容 数据集 VV，LIME，NPE系列，DICM，MEF 仅低照度图像而没有相应的高照度地面实况 感谢收集 SID 下载：+或 麻省理工学院-Adobe FiveK （仅使用专家C的输出） ExDARK 仅低光图像，没有相应的高光地面真相 哈哈 下载：或 赛斯 Google云端硬盘：+ 包都韵：+ + DeepUPE（非公开） 发光二极管 下载：或 文件 监督方法 [SID]学习在黑暗中看（ CVPR 2018 ）[] [] [] [Retinex-Net]用于弱光增强的深度Retinex分解（ BMVC 2018 ）[] [] [] [HDRNet]用于实时图像增强的深度双边学习（ SIGGRAPH 2017 ）[] [] [DeepUPE]使用深度照明估计的曝光不足照片增强（ CVPR 2019 ）[] [] [CWAN]色彩增强注意网络，用于弱光图像增强[] [MSR-net] MSR-net：使用深度卷积网络的低光图像增强[] [GLADNet] GLADNet：具有全球意识的弱光

图像质量的提高是广泛的基于视觉的应用的基本过程。在不利环境下捕获的图像通常会降低信息内容、清晰度和色彩。 在改善图像的尝试中，非锐化掩蔽滤波器因其计算效率而成为有吸引力的候选者。 然而，过滤器容易受到超范围问题的影响，即像素大小超出允许范围。 如果在增强中使用非自适应过程，则此缺点尤其明显。 因此，在此提出一种自适应增益调整方法，其目的是在使图像清晰度和信息含量最大化的同时，使超范围像素的数量最小。 在这种方法中，色彩通过颜色通道拉伸得到改善，对比度通过边缘增强得到增强。 具体而言，构建了一个双曲正切函数，其尺度取决于原始图像强度和检测到的边缘，用于调整锐度增强的增益。