介绍
这是第一篇将CNN与Retinex理论结合起来的论文，提出了一个多尺度Retinex卷积网络，端到端的实现低光照图像增强，属于有监督学习，即输入为一张暗的图像，输出为亮图。
本文的最大创新点在于其认为多尺度的Retinex理论等价于一个不同高斯卷积核组成的反馈卷积神经网络，可以写成如下形式：
网络结构由三部分组成，分别为多尺度的对数变换，差分卷积和色彩复原函数，如下：
目标函数为：
所用的数据集为真是世界的低光照图像，MEF dataset, NPE dataset和VV dataset。评价指标包括SSIM/NIQE/ Discrete Entropy/ Angular error。对比的方法有Fast efficient algorithm for enhancement of low lighting video/A weighted variational model for simultaneous reflectance and illumination estimation/ Low-light image enhancement via illumination map estimation/A multi-scale retinex for bridging the gap between color images and the human observation of scenes.
部分结果如下：
总结
总的来说，这篇论文将Retinex理论运用到CNN中，想法上比较创新，但网络结构中高斯差分卷积跟普通的卷积有什么区别没有说明，以及两个特征做差，感觉挺奇怪的，对比的方法中有两篇也比较老，文中还提到因为感受野的问题，对大的平滑区域会存在halo效应。
