2
反射率部分通常被认为是在任何照明条件下都是一致的，通过去除光照度的影响，
还原图像。传统基于 Retinex 模型的算法效率低，针对该问题，改进版本
RetinexNet
[6]
算法被提出。除了反射率和照明度，还增加了调整照度图的 Enhance-
Net 模块。为了减少计算量，Li 等人提出了一种基于 Retinex 的轻量级模型
LightenNet
[7]
。LightenNet 通过对图像的预处理和后处理，可以进一步提高图像
质量。Zhao 等人通过分解 Retinex，使用基于 Retinex 的 RetinexDIP
[8]
模型来增强
低照度图像。受 Deep Image Prior
[9]
的启发，RetinexDIP 通过随机采样的噪声生成
输入图像的反射分量和照度分量，其中照度平滑度等分量特征相关损失被用于训
练。
（2）基于深度学习的方法。Lore 提出的基于深度学习的 LLNet
[10]
算法首次
被用来处理图像增强任务，该算法使用自编码器对低光图像进行增强和去噪。
Zhang 等人分别开发了三个子网络，用于图层分解、反射率恢复和光照度调整，
称为 KinD
[11]
。训练模型时使用配对的数据集可能会出现过拟合现象，为了解决
这个问题，一种名为 EnligthenGAN
[12]
的无监督学习方法被提出。EnlightenGAN
使用 U-Net
[13]
作为主干网络，通过全局-局部判别器来防止过度曝光或曝光不足。
Zhang 等人提出 ExCNet
[14]
算法，其使用一个网络拟合输入图像的 S 曲线，然后
通过引导滤波器把输入图像分离成基础层和细节层。拟合曲线用于调整基础层，
最后通过 Weber 对比度再将两层融合。Zero-DCE
[15]
设计了一种高阶曲线，通过
一个对称卷积网络对输入图像三个通道求解最优曲线参数，从而对图像进行迭代
增强。Zero-DCE++
[16]
是 Zero-DCE 的轻量化版本。
1.2.2 目标检测现状
（1）两阶段目标检测算法。R-CNN
[17][18]
目标检测算法是典型的两阶段检测
算法，使用选择性搜索算法对图片区域进行提取，得到候选区域后输入到网络。
相对于传统基于手工设计的检测方法，R-CNN 使用了深度学习网络进行特征提
取，可以学习到更具鲁棒性和区分度的特征，但该网络只能输入特定大小的图像，
增加了模型使用门限。基于不能自适应调节尺寸的限制，K.He 等人提出了空间
金字塔网络 SPPNet
[19]
，该网络采用多阶段训练方法，可以接受不同尺寸大小的
图片输入。在不牺牲检测精度的同时，SPPNet 比 R-CNN 快 20 多倍。为了进一
步提高检测性能，Fast RCNN
[20]
检测器被提出，该算法不再采用 R-CNN 直接将
建议框输入到卷积网络的方法，而是先得到特征图，再使用建议框对特征图提取
特征框。因此该算法避免了卷积的重复计算，大大减少了计算量，与 R-CNN 和
SPPNet 相比，其在检测精度和速度上都有显著提升。Fast RCNN 之后不久，
Faster RCNN 检测器
[21][22]
被提出，该算法在检测速度方面表现尤为突出，最核心
的就是使用 RPN 代替原来生成候选框的方式，显著提高了检测框的生成速度，
剩余34页未读，继续阅读
