[愚见]From Fidelity to Perceptual Quality：A Semi-Supervised Approach for Low-Light Image Enhancement

算法思想：

1）引入递归的网络架构，训练 paired 图像数据，从粗糙到精细，恢复图像细节、减少信号失真； 2）引入对抗学习，训练 unpaired 图像数据，提高图像的视觉质量，如光照、颜色分布等

 一个output展示

主要分为两个阶段，从保真度到感知质量。

1）Recursive Band Learning. 该阶段确保信号保真度和细节恢复。（保真）

2）Band  Recomposition 提高增强图像的视觉质量。（感知质量）

Context

 这里就是介绍一下x^  ，是增强图像，有多个 组成    是来自y的一个残差。

 这是第二个阶段的，x^增强图像的由来，其实就是w·  的累加和，中间（y,{x1,x2,x3}）这一串就是相当于w是怎么来的，是由y,和y中的{x1,x2,x3}得到。

第一阶段！！！：

 

 

 x就是ground truth，这里做一个损失函数的计算，对3个尺度都进行计算，而且Loss的计算只在最后一次迭代时。

 

 

 1/2/3st order band 应该是的值.

在RBL阶段的基础上，进行BR阶段，也就是重组阶段。

 

 

 BR阶段利用了一个对抗性学习（类似EnlightenGAN）Global-local的一种机制，学习了AVA这个数据集，大约有25万张照片（每张都很美），然后在最后做损失函数的计算。

 

 上图是实验里的对比算法。

 DRBN感觉很不错呀。