Retinex增强和去噪部分

第一部分的核心公式是一种retinex公式（用于暗图增强的retinex公式有几种类型，虽然本质一样但是对于各个分量的定义不一样）： $y=x\otimes t$ ，其中x是正常光照图片（0-1），t是暗图中的亮度分量（小于1），y则是暗图（0-1）。
之所以是这样的定义，可以这么理解，基于的一个假设是认为亮图的亮度分量是1，而乘以一个小于1的亮度分量使得图片变暗，也即认为暗图上的亮度分量是小于1的，从而乘上之后成为暗图。那么在给定一张暗图y的情况下，估计亮图x可以通过估计暗图上的亮度分量t来实现，从而增强结果 $x=y\oslash t$
从而第一个模块就是给定暗图y估计其亮度分量t，那么基于第二个先验：亮图上最大像素值是1，可以得知，我们可以通过暗图的最大像素值来粗略地估计暗图的亮度分量。
但这么估计肯定太粗略了，要做修正。文章用一个网络来预测修正值，把粗略的估计结果 $\hat t_k$ 减掉修正值即可得到修正后的亮图分量估计。
这个模块是以循环的方式进行的，也即每次迭代都会对输入估计一个粗略的亮度分量，然后用网络进行修正，得到本轮的增强结果，再将增强结果作为新的输入送进下一轮迭代。
对上面这个描述补充一些细节：
- 首先第一轮迭代的输入理所当然就是最初的暗图；
- 其次，除了第一轮之外，后面的每轮迭代的粗略估计则不仅仅是输入的最大值，还要减去一个修正项以抑制不断迭代过程中可能带来的过曝光，这个修正项就是权重 $\gamma$ 乘以（本轮的输入减去最初的暗图），也即不希望增强结果比原图亮太多；
- 第三，修正网络的输入，从公式里看不出是什么，既有 $t_k$ 也有 $t$ ，从框图里还有 $\hat t_k$ ，最后我在代码中确认就是 $\hat t_k$ ，也即网络的输入仅仅是用max粗略估计的亮度分量，所以我感觉这个网络可能只起个平滑或者顶多再加个亮度平移作用。
- 第四个细节是网络的损失函数，看公式看图都看不出来，看代码发现跟公式和图片都不一样，代码里是暗图和最后一次迭代输出的t算L2损失，再加上最后一次迭代输出的t的tvloss。所以，3.1.1提到的公式以及论文框架图里画的公式估计只是一个理论推导，并不是实际应用的公式。平滑损失我还能理解，但是暗图和t算L2损失我是完全不能理解，并且在3.2.3部分提到的损失函数也和代码里的这个损失函数不同，3.2.3的损失函数是估计的亮度和第一次粗略估计的亮度之间算损失，这个我还能理解，代码里的问题很大。
- 第五个细节是，不同迭代中的网络其实是不同的网络，并不共享参数，这点下面的去噪模块也一样。
第二部分是去噪模块。，用网络估计一个噪声图，前面的增强结果的图片减去噪声图即可得到去噪结果。该模块也采取循环的模式，去噪结果作为下一次去噪的输入来估计新的噪声图。论文中提到这里的损失函数和增强网络的损失函数是一样的，这点我极其的不理解。它居然对估计的噪声算tv损失，噪声难道还能是平滑的？太离谱了。这部分倒是和代码里的一样。

结构搜索部分

网络结构被预定义为一个一个有向无环图，由五个节点组成，每个节点都和下一个节点和最终节点相连，出度为2入度为1，除了最后一个节点：
这里的有向边即为可选的元模块，包括不同size 的卷积等操作。通过NAS模块来对每个节点的操作进行择优，得到最后的网络结构。
结构搜索的论文我还没看，文中也没有涉及这部分细节，只说增强网络和去噪网络的搜索是交替进行的，相当于先优化增强网络的结构，再优化去噪网络的结构，然后再优化增强网络的结构，递归地进行优化。