为了全面评估LAN的性能，研究团队进行了大量实验，包括量化评估、质量评估和用户研究。这些实验在多个数据集上进行，包括新构建的DID数据集和现有的SDSD数据集。 在量化评估方面，研究团队使用了两个广泛认可的客观评估指标：峰值信噪比（PSNR）和结构相似性（SSIM）。PSNR是正常光照图像可能的最大功率与增强图像功率之间的比率，用于测量两者之间的保真度。SSIM则是一种基于结构信息变化的感知方法，用于预测数字图像和视频的质量。 实验结果显示，LAN在所有指标上都优于其他方法。在DID数据集上，LAN的PSNR值达到29.01，SSIM值达到0.94，明显高于其他方法（最接近的方法PSNR为25.71，SSIM为0.92）。在SDSD数据集上，LAN的PSNR值为27.25，SSIM值为0.85，同样超过了所有其他方法（最接近的方法PSNR为25.27，SSIM为0.82）。这种显著的性能优势（在DID上比所有其他方法高出至少3dB的PSNR，在SDSD上高出至少1.9dB的PSNR）凸显了LAN在低光视频增强方面的有效性。 值得注意的是，自适应光照调整策略在提高模型性能方面非常有效，特别是在场景更加丰富的数据集上。在DID数据集上，使用自适应策略的LAN比使用默认迭代次数的LAN在PSNR上提高了1.73dB，在SSIM上提高了0.02。这表明自适应策略能够更好地适应不同场景的光照需求，产生更自然、更令人满意的增强结果。 在质量评估方面，研究团队对DID和SDSD数据集进行了详细的视觉比较。在DID数据集上，其他方法展现出各种问题：SNR-aware、SMID和Chhirolya等人提出的方法产生色调较暗的图像，导致明显的色彩偏差；SMID还存在严重的噪点问题；LLFlow表现出明显的棋盘状伪影；DRBN和MBLLEN无法有效描绘图像细节；SDSDNet产生带有严重伪影的图像。相比之下，LAN生成的图像保持了良好的亮度、色彩还原和细节保留。 在SDSD数据集上，情况类似：DRBN产生亮度低、增强效果弱的图像；LLFlow表现出明显的棋盘状伪影；Chhirolya等人的方法和SDSDNet产生带有明显伪影或噪点的图像，无法显示特定的详细信息；SNR-aware、MBLLEN和SMID导致显著的色彩偏差，对图像的视觉质量产生不利影响。而LAN在所有这些方面都表现出优异的性能。 对极端样本的视觉比较结果更加凸显了LAN的优势。对于光照极低的视频，大多数方法产生曝光不足的输出；对于光照略低的视频，大多数方法产生过度曝光的输出。而LAN在默认迭代设置下成功获得了更好的结果，并通过自适应光照调整策略进一步改善了亮度。这表明LAN能够更好地适应不同程度的低光条件，产生更自然、更令人满意的增强结果。 每个参与者进行了五组测试，包括三组模型性能测试和两组模型泛化测试，每组测试随机选择三个视频进行比较。模型性能测试使用在DID数据集上训练的模型。参与者首先从LAN以外的四种视频增强方法中随机选择三种，并将它们的结果与LAN的结果进行比较。然后，从五种方法中随机选择两种进行数据集泛化测试，参与者比较在SDSD和DID上训练的每种方法的模型的结果。在每次比较中，参与者同时查看两个视频（称为视频A和视频B），并从照片真实性、亮度、对比度等方面进行比较，做出三种选择之一：＂视频A更好＂、＂视频B更好＂或＂我无法确定哪个更好＂。 用户研究的结果表明，LAN在与其他方法的所有比较中都更受用户欢迎，这表明LAN的结果更加自然和逼真。此外，在DID和SDSD数据集之间的泛化比较中，根据用户反馈，DID数据集在所有方法中都表现出更好的泛化能力。在SDSD上训练的模型对真实捕获的低光视频产生模糊的增强结果，这种模糊主要是由于配对训练数据中的空间对齐不精确造成的。相比之下，在DID上训练的模型产生的增强结果没有这种模糊现象。
