在处理低光照图像时，增强算法的目标是提高图像的亮度和对比度，以便更好地呈现图像的细节和特征。以下是三种流行的低光照图像增强算法：
- RetinexNet算法：RetinexNet是Retinex算法的加强版。Retinex算法是一种用于图像增强的算法，其基本思想是通过分离图像的光照成分和反射成分来提高图像质量。RetinexNet通过训练神经网络实现这一目标。该网络分为两个部分：Decom-Net网络和Enhance-Net网络。Decom-Net网络用于实现图像分解，将输入的低光照图像分解为光照图像和反射图像。Enhance-Net网络用于实现光照调节，根据输入的低光照图像和相应的正常光照图像，调整光照图像的亮度，以获得增强的图像。实验结果表明，RetinexNet可以获得令人满意的低光增强效果，并能够很好地表示图像分解。
- MBLLEN算法：MBLLEN（Multi-scale Block-based Low Level Network）算法是一种基于多尺度块和低级特征的图像增强算法。该算法旨在提高增强结果的视觉效果和感知质量，同时保持计算效率。MBLLEN算法采用多尺度块的方法，将输入的低光照图像分成不同大小的块，并分别对每个块进行处理。在每个块上，算法使用一个深度神经网络来预测增强的亮度值。这些预测值被聚合以生成最终的增强图像。实验结果表明，MBLLEN算法能够获得更加自然的增强效果，增强后的图像整体看起来比较舒服，细节更加清晰。
- KinD算法：KinD（Kernel Density Estimation based Low Light Image Enhancement）算法是一种基于核密度估计的图像增强算法。该算法旨在处理暗光条件下拍摄的图像，提高其可见性和质量。KinD算法将原始的图像空间分解为两个比较相似的子空间，并使用在不同曝光程度的图片块来进行训练。该算法对严重的视觉缺陷具有很强的鲁棒性，并且可以任意调整光照水平。实验结果表明，KinD算法可以有效地提高暗光图像的亮度，并且输出结果具有较高的质量和感知效果。
以上三种算法各有特点，适用于不同的应用场景。RetinexNet适合需要高质量低光增强效果的应用，如医学影像分析、安全监控等；MBLLEN适合需要快速且自然感强的增强效果的应用，如社交媒体分享、手机拍照等；KinD适合需要处理暗光条件下拍摄的图像的应用，如夜景摄影、天文观测等。
在实际应用中，选择哪种算法取决于具体的需求和场景。对于需要高质量低光增强效果的应用，可以选择RetinexNet算法；对于需要快速且自然感强的增强效果的应用，可以选择MBLLEN算法；对于需要处理暗光条件下拍摄的图像的应用，可以选择KinD算法。此外，这些算法也需要不断的优化和改进，以适应不同的应用需求和技术发展。