Abstract
在低光条件下进行成像具有挑战性，原因是光子计数低且信噪比低。
短曝光图像容易受到噪声影响，而长时间曝光可能导致模糊并且通常不切实际。
虽然提出了各种去噪、去模糊和增强技术，但在极端条件下（如夜间视频成像）它们的有效性有限。
为了支持基于学习的低光图像处理流程的开发，我们引入了一组原始短曝光低光图像，并附有相应的长曝光参考图像。
利用这个数据集，我们开发了一个基于全卷积网络的端到端训练的低光图像处理流程。
该网络直接在原始传感器数据上运行，替代了许多传统图像处理流程的部分，这些传统流程在这类数据上通常表现不佳。
我们在新的数据集上报告了有希望的结果，分析了影响性能的因素，并强调了未来工作的机会。
-
Previous
【ICML 2018】Laplace Pyramid Loss：Optimizing the Latent Space of Generative Networks -
Next
【ICCV 2023】RQ-LLIE：Low-Light Image Enhancement with Multi-stage Residue Quantization and Brightness-aware Attention
