- 这是2020放在arxiv上的一篇自监督暗图增强的文章，很多后续的无监督暗图增强论文都会引用到并且和它比较
- 文章从贝叶斯概率的角度分析了retinex的公式如下：
从而等式右边的三项概率的最大化可以分别由3个损失函数导向：
第一项文章定义为L1损失，很常见：
第二项则定义为暗图的亮度分量（HSV颜色空间中的V）直方图均衡化后的结果F(S)和R的亮度分量的L1距离以及R的平滑损失：
第三项定义如下：
网络结构如下图所示：
- 文章提出先downsample再upsample的网络能去噪，但会使得图片变模糊
- 用LOL的485张真实图像训练，patch size是48*48
- 文章也提到了，其实不同次训练达不到相同的结果
- 同时，文章也提出了，训练可以只用一张图片。在LOL的15张测试集上，选一张作为训练集，训练10000个epoch，再在这15张上测试，效果一样很好。并且，由于用单张图片来训练时，随着迭代次数的增加，网络产生的结果并没有伪影出现，说明伪影并非由于网络设计导致（所以矛头指向了随机梯度下降和数据集？）：
视觉效果看起来也不错：
