对于一张灰度图片，像素值越大则亮度越高，像素值越小则亮度越低
在数字图像处理领域有一种很简单的图像亮度调整算法——伽马变换
伽马变换是一种用于调整图像亮度和对比度的非线性操作，其基本公式为 ( I' = I^\gamma )，其中 ( I' ) 是输出图像的灰度值，( I ) 是输入图像的灰度值，而 ( \gamma ) 是伽马值（gamma value）。伽马变换的目的是使图像的视觉效果更加符合人眼的感知，因为人眼对亮度的感知是非线性的。在暗部，人眼对亮度变化更敏感，而在亮部则不那么敏感。
伽马值的选择会影响图像的视觉效果：
- 当伽马值小于1时，图像中灰度级较低的区域会被拉伸，同时灰度级较高的部分会被压缩，从而增强图像的暗部细节并提升整体亮度。
- 当伽马值大于1时，图像中灰度级较高的区域会被拉伸，而灰度级较低的部分会被压缩，这会使得图像的暗部细节更清晰，但整体亮度降低。
在图像处理中，伽马变换可以通过编程实现，例如使用Python的OpenCV库中的 cv2.convertScaleAbs() 函数，或者通过创建查找表（LUT: Look Up Table）来加速处理过程。例如，可以为0到255之间的每个整数执行一次预补偿操作，将结果存入查找表，然后使用该表对图像进行伽马校正。
伽马变换在多个领域有广泛应用，如摄影中修复曝光问题、医疗图像处理中增强CT或MRI图像的对比度等。此外，伽马变换也是图像预处理的一部分，有助于突出图像中感兴趣的部分或减少噪声影响。在实际应用中，伽马变换可以增强图像的视觉效果，使之更适合人眼观察或满足特定的技术需求。
LLCNN是有监督的训练模式，所以采用伽马变换合成训练数据
LLCNN核心模块CM由两个阶段组成，第一阶段由两条路径组成，一条路径的卷积核是3x3大小，另一条是1x1大小，分别进行特征提取，再相加；第二个阶段是一个残差结构，首先对第一阶段的输出使用卷积操作，在通过加法操作将第一阶段的输出融合到最终的output
残差结构（Residual Structure）是一种深度学习网络设计中的技术，用于解决随着网络深度增加时出现的梯度消失或梯度爆炸问题，以及所谓的退化问题。
残差结构的核心思想是让深层网络通过学习残差函数（即输入和输出之间的差异）来训练，而不是直接学习映射函数本身。这样，如果网络层的增加不带来性能提升，网络可以简单地学习到恒等映射（即输出等于输入），从而避免了性能退化。