这是2022年TIP期刊的一篇有监督暗图增强的文章

网络结构如图所示：

LBP的网络结构如下：

有点绕，其基于的理论如下。就是说，普通的暗图增强就只是走下图的L1红箭头，从暗图估计一个亮图。但是其实这个亮图和真实的亮图还是有一些差距，怎么弥补呢，可以再进一步学习一个$R_{LL}$到$R_{NL}$的映射，从而把预测出来的这部分残差加到一开始预测的亮图上，可以使得最终的增强结果更加接近亮图。

这里的$L_1$,$L_2$,和$D$如下图所示

FA 模块则如下图所示，就是一个通道注意力模块：

损失函数是增强结果的TV loss和SSIM loss的和

LOL数据集上的实验结果，看起来还不错：

启发是，back porjection和残差学习的作用还是挺大的，同时，网络是iteratively地增强的，也就是说中间出现了很多3通道的增强结果，这一点相比其他网络中间只是特征来说，更有可解释性。