夜间图像不仅受到低光的影响，而且还受到光的不均匀分布的影响。现有的大多数夜间能见度增强方法主要集中在增强弱光区域。这不可避免地导致明亮区域的过度增强和饱和，例如受光效应（眩光、泛光灯等）影响的区域。为了解决这个问题，我们需要抑制亮区域的光效应，同时提高暗区域的强度。考虑到这一想法，我们引入了一种无监督的方法，该方法集成了层分解网络和光效抑制网络。给定一张夜间图像作为输入，我们的分解网络学习在无监督

在不适当的曝光条件下拍摄的图像往往会出现曝光不足或曝光过度的问题，曝光不当会改变图像亮度的统计分布，从而产生对比度下降，此外，曝光不当还会破坏图像的结构特性，导致细节失真。对比度下降和细节失真将导致低频和高频成分在图像中混合且不可分割，使图像曝光校正极具挑战性。在实践中，这个问题的一个解决方案是设计一种端到端的架构，用于在共享特征空间中学习对比度增强和细节恢复[14，16]。然而，对比度相关的特征