• 这是ACMMM2019的一篇有监督暗图增强的论文，KinD
• 其网络结构如下图所示：
  
• 首先是一个分解网络分解出R和L分量，然后有Restoration-Net和Adjustment-Net分别去对R分量和L分量进一步处理，最终将处理好的R分量和L分量融合回去。这倒是很常规的流程。其中有些novel的细节，一个是分解网络利用得到的R分量来指导L分量的提取。一个是可控的亮度调节模块

分解网络

• 分解网络的损失函数如下：其中前两个损失很常见，分别是重建损失和暗图亮图具有相同R的约束。第三个损失是L分量的平滑损失，不过用原图的梯度进行归一化，以使得暗图的边缘区域得以保留；第四个损失同样是对L分量的平滑损失，这里则是用一个曲线使得梯度值居中的部分（噪声）平滑掉

• 

• 

• 

• $L_{is}^{LD}=$
  

• 

• 

• 

R的重建网络

• restoration net的损失函数如下，是暗图的R的修复结果和亮图的R的各种距离度量：
  

I 的调整网络

• illumination adjustment net的输入除了分解网络估计的 $L$，还有一个全为$\alpha$的concatenate到$L$的feature map，$\alpha$表示调节因子，可以用目标$L$除以输入的$L$去global average得到。网络的功能是将输入的$L$调整为target的$L$。这一方法相比其它retinex的方法直接对$L$进行gamma校正的手段，具有更好的效果。
• 这一模块的损失函数如下，这一损失要算两次的，一次是暗图的$L$作为输入，亮图的$L$作为target，一次是反过来：

实验结果

方法的可视化效果和NIQE都非常不错，在LOL上的PSNR也很高：