Deep learning-based methods have achieved remarkable success in image restoration and enhancement, but are they still competitive when there is a lack of paired training data? As one such example, this paper explores the low-light image enhancement problem, where in practice it is extremely challenging to simultaneously take a low-light and a normal-light photo of the same visual scene. We propose a highly effective unsupervised generative adversarial network, dubbed EnlightenGAN, that can be trained without low/normal-light image pairs, yet proves to generalize very well on various real-world test images. Instead of supervising the learning using ground truth data, we propose to regularize the unpaired training using the information extracted from the input itself, and benchmark a series of innovations for the low-light image enhancement problem, including a global-local discriminator structure, a self-regularized perceptual loss fusion, and the attention mechanism. Through extensive experiments, our proposed approach outperforms recent methods under a variety of metrics in terms of visual quality and subjective user study. Thanks to the great flexibility brought by unpaired training, EnlightenGAN is demonstrated to be easily adaptable to enhancing real-world images from various domains. Our codes and pre-trained models are available at: https://github.com/VITA-Group/EnlightenGAN.

Neural architecture search (NAS) has witnessed prevailing success in image classification and (very recently) segmentation tasks. In this paper, we present the first preliminary study on introducing the NAS algorithm to generative adversarial networks (GANs), dubbed AutoGAN. The marriage of NAS and GANs faces its unique challenges. We define the search space for the generator architectural variations and use an RNN controller to guide the search, with parameter sharing and dynamic-resetting to accelerate the process. Inception score is adopted as the reward, and a multi-level search strategy is introduced to perform NAS in a progressive way. Experiments validate the effectiveness of AutoGAN on the task of unconditional image generation. Specifically, our discovered architectures achieve highly competitive performance compared to current state-of-the-art hand-crafted GANs, e.g., setting new state-of-the-art FID scores of 12.42 on CIFAR-10, and 31.01 on STL-10, respectively. We also conclude with a discussion of the current limitations and future potential of AutoGAN. The code is available at https://github.com/TAMU-VITA/AutoGAN.

Mitochondrial cristae contain electron transport chain complexes and are distinct from the inner boundary membrane (IBM) in both protein composition and function. While many details of mitochondrial membrane structure are known, the processes governing cristae biogenesis, including the organization of lipid membranes and assembly of nuclear and mitochondrial encoded proteins, remain obscure. We followed cristae biogenesis in situ upon Drosophila eclosion using serial-section electron tomography and revealed that the morphogenesis of lamellar cristae coordinates with ETC complex IV assembly. The membrane morphogenesis and functionalization were intricately co-evolved during cristae biogenesis. Marf-knockdown flies formed mitochondria of smaller sizes and reduced cristae content but organized lamellar cristae containing ATP synthase and functional COX. Instead, OPA1-knockdown flies had impaired cristae biogenesis and mitochondria function. We showed the ultrastructural localization of OPA1 in the cristae besides IBM that supports its functions in mediating cristae remodeling and inner membrane fusion. Overall, this study revealed the multilevel coordination of protein-coupled membrane morphogenesis in building functional cristae.