awesome-low-light-image-enhancement

低光增强论文与代码一站索引，快速选型不迷路

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署计算机视觉 🍴 复刻 239 👀 关注 33

GitHub ↗

GitHub 星标 ★ 1856

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源资源列表，免费使用

项目预览

awesome-low-light-image-enhancement 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类计算机视觉

开发团队zhihongz

GitHubhttps://github.com/zhihongz/awesome-low-light-image-enhancement

定价模式🏷️完全免费

价格说明开源资源列表，免费使用

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

主要语言MATLAB

技术栈/模型computer-vision,contrast-enhancement,deep-learning,histogram-equalization,image-enhancement,image-enhancment,image-processing,low-light,low-light-image-enhancement,retinex

GitHub 星标★ 1856

上线时间2020-05-24 00:00:00

代码更新2026-10-27

仓库体积18.2 MB

本站数据更新2026-10-29

维护状态活跃

收录时间2026-10-29

浏览次数0

项目介绍

这是一个面向低光照图像增强方向的资源汇总仓库，系统整理了该领域的研究论文、开源代码、数据集与评测指标。它解决的核心问题是：低光图像增强资料分散在论文、会议与个人主页中，研究者难以快速定位权威方法与可复现代码。仓库按传统方法与深度学习方法分类，覆盖直方图均衡、Retinex、去雾式增强、基于GAN与扩散模型的增强方案，并关联常用数据集（如LOL、SID、MIT-Adobe FiveK）与客观评价指标（PSNR、SSIM、LPIPS）。对刚进入该方向的学生，它可作为文献地图与选型参考；对工程团队，可据此对比不同方法的复杂度与效果，决定是否引入预处理模块。项目本身不含可运行算法，价值在于索引与组织，需配合具体论文代码使用。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-10-29 · 当前星标 ★ 1856

技术标签

computer-vision deep-learning image-enhancement image-processing

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可联网的电脑与 Git 客户端（用于克隆仓库）
任意可打开 Markdown 文件的文本编辑器或浏览器
无需 GPU、MATLAB 运行时或深度学习框架，仓库本身不含可执行算法

安装与启动步骤

1克隆仓库到本地

把资源索引仓库完整下载到本机，后续可离线查阅论文、代码与数据集条目。
```
git clone https://github.com/zhihongz/awesome-low-light-image-enhancement.git
```
2进入项目目录

切换到仓库根目录，README.md 即为全部内容入口。
```
cd awesome-low-light-image-enhancement
```
3阅读目录结构

README 开头提供 Highlights、Datasets、Methods、Metrics 等目录，可先据此定位章节。
```
cat README.md
```
4按分类查阅条目

依次查看数据集、综述与基准、学习方法、HE 方法、Retinex 方法与评价指标等章节，记录目标方法与对应开源代码链接。
5保存选型笔记

把备选方法、数据集体量与指标整理成自己的对比表，便于后续复现实验时快速定位。