Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement CVPR2020

Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement CVPR2020
pdf:https://li-chongyi.github.io/Proj_Zero-DCE.html
算法思想：结合CNN和递归迭代计算图像每个像素映射方程来曾强图像
亮点：不需要成对训练数据；仅训练每个像素的增强高阶方程参数；网络损失函数考虑了图像空间一致性，曝光，颜色一致性和亮度
难点：
1. 确定怎样的方程式子？
作者确定的方程式如下：

增强映射方程式

该方程式需要满足三个条件：输出值【0，1】，避免计算过程中值溢出；简单且可微；保证图像相邻相邻像素的差异，其中阿尔法就是需要学习的参数，不但可以增强图像，也可以控制曝光。不过作者没有给出为啥只有这个式子满足条件，其它可能式子是否更合适？
2. 如何迭代？
迭代方式如下：

迭代方程

原理类似于递归调用，上一次计算的输出作为本次的输入，不断迭代，可以理解为对输入图像不断进行这样的迭代，不断尝试，直到找到最优图像，也即loss最小。不过迭代多少次，本文从实验获取为8次。如何使得n也可以作为学习参数呢？
3. 怎样与CNN结合？
网络架构如下：

网络架构

对输入图像的每个信道分别做迭代操作，每次迭代操作的输出和输入图像map层再次结合作为下层输入。loss的计算实际就是计算最后增强的图像和原始输入图像之间的gap最大
4. 损失函数如何设计？
本文loss包含四种，分别为：
空间一致性loss:

空间一致性

曝光loss:

曝光

色彩loss:

色彩

亮度平滑loss:

亮度平滑

等式7中的加号个人认为应该是减号，这里应该写错了。
总loss：

总的loss

总结：本文实现增强理论方法比较简单，而且计算速度500fps（640*480）在GPU，实验给出的效果不错，但给出的结果有的地方仍然存在曝光不足和过曝情况，是否在经过各种增强算法后，需要对图像做后处理，例如曝光矫正等？如果后处理做的精确的话，前置增强是不是效果要求不是很高就行？