SVM，是一种强大的监督学习算法，主要用于分类和回归，SVM的核心思想是寻找一个最优的超平面或者决策边界，然后最大化不同数据点之间的间隔，并尽量避免误分类。1. 线性SVM（Linear SVM）考虑一个二元分类问题，其中我们有一个训练数据集，每个数据点都包含一个X和对应的标签y，其中y可以是1或-1（或者自己任意想要的类别），我们寻找一个最优超平面，表示为：其中，w表示法向量（权重向量），b表示

本文综述了基于深度学习的低光照图像与视频增强(LLIE)研究进展，系统分析了学习策略、网络结构、损失函数、数据集和评估指标。创新点包括：1)提出首个由多样化手机拍摄的低光照数据集LLIV-Phone；2)搭建集成主流方法的在线评估平台；3)全面对比监督学习、强化学习、无监督学习等不同范式的性能。研究发现，现有方法在泛化性、噪声抑制和语义保持等方面仍存在局限，未来需在专用网络结构、感知损失函数和真实

本文综述了基于深度学习的低光照图像与视频增强(LLIE)研究进展，系统分析了学习策略、网络结构、损失函数、数据集和评估指标。创新点包括：1)提出首个由多样化手机拍摄的低光照数据集LLIV-Phone；2)搭建集成主流方法的在线评估平台；3)全面对比监督学习、强化学习、无监督学习等不同范式的性能。研究发现，现有方法在泛化性、噪声抑制和语义保持等方面仍存在局限，未来需在专用网络结构、感知损失函数和真实

本文综述了低光照、雨雾、尘等退化图像的增强方法。首先分析了各类退化图像的成像原理和数学模型，包括低光图像的退化模型、雨雾图像的大气散射模型等。随后系统梳理了图像增强算法：基于灰度变换的方法（线性变换、直方图均衡化等）；基于Retinex理论的算法（SSR、MSR、MSRCR）；基于深度学习的CNN和GAN方法。文章还比较了近年新兴技术如Transformer与Retinex结合、扩散模型应用等创新

本文综述了基于深度学习的低光照图像与视频增强(LLIE)研究进展，系统分析了学习策略、网络结构、损失函数、数据集和评估指标。创新点包括：1)提出首个由多样化手机拍摄的低光照数据集LLIV-Phone；2)搭建集成主流方法的在线评估平台；3)全面对比监督学习、强化学习、无监督学习等不同范式的性能。研究发现，现有方法在泛化性、噪声抑制和语义保持等方面仍存在局限，未来需在专用网络结构、感知损失函数和真实

本文综述了基于深度学习的低光照图像与视频增强(LLIE)研究进展，系统分析了学习策略、网络结构、损失函数、数据集和评估指标。创新点包括：1)提出首个由多样化手机拍摄的低光照数据集LLIV-Phone；2)搭建集成主流方法的在线评估平台；3)全面对比监督学习、强化学习、无监督学习等不同范式的性能。研究发现，现有方法在泛化性、噪声抑制和语义保持等方面仍存在局限，未来需在专用网络结构、感知损失函数和真实