本文针对图像超分辨率问题，提出一种结合传统稀疏编码模型和深度学习技术的神经网络模型，该模型在多种图像上已被证明在恢复精度和主观质量方面均优于目前现有的最先进方法。

Jul, 2015

本文提出了一种使用自适应学习的稀疏化基础通过 L0 最小化方法进行图像压缩感知恢复的新框架，通过稀疏表示重叠的图像块，极大地减少了阻塞伪影和限制了 CS 解决方案空间。实验结果表明，我们的算法在 CS 恢复上取得了显着的性能提升。

Apr, 2014

本文提出了一种新的可微分松弛联合稀疏性方法，利用非局部自相似性和稀疏性原则进行图像恢复，经实验证明该方法参数少，性能与现有先进方法相当或更好。

Dec, 2019

该论文介绍了一种基于稀疏子集选择概念的图像分割方法，该方法采用局部光谱直方图特征将视觉信息编码为高维向量，并将其馈入一种新颖的凸模型，该模型有效地利用特征将超像素分为适当数量的连贯区域。该模型自动确定连贯区域的最优数量和超像素分配以形成最终的分割结果，并且作者设计了一种基于交替方向乘子法的数值算法来解决该模型，该算法高度可并行化且计算效率非常高，论文还通过广泛的实验验证表明，与现有的最先进方法相比，该方法在结合超分割的情况下可以提供高质量和具有竞争力的结果。

Apr, 2018

本文介绍了一种名为频率选择性重建的算法，可以将图像信号从非规则的采样点重建到规则的网格上，通过在傅里叶域中利用信号的稀疏性和成像系统的光学传递函数等基本特征建立一个稀疏模型，实现了很高的重建质量和视觉质量。

Apr, 2022

本文提出一种基于组的稀疏表示方法（GSR），用于图像恢复，该方法使用具有相似结构的非局部图块作为基本单元，能同时在群域内实现本地稀疏性和非局部自相似性，并采用有效的自适应字典学习方法来提高计算效率和鲁棒性。实验表明，所提出的 GSR 模型比现有的状态 - of-the-art 方法在图像恢复方面性能更好。

May, 2014

本文提出一种特征级别的空间塑形正则化策略来减少语义分割中的域差异，从而在自动驾驶设置中实现了多种合成到实际路景基准的最先进结果。

Apr, 2021

本论文提出了一种新的图像压缩感知恢复策略 —— 通过结构分组稀疏表示 (SGSR) 建模，在自适应的分组域中同时强制图像稀疏性和自相似性，并开发了一种高效的迭代收缩 / 阈值算法技术来解决上述优化问题。实验结果表明，这种新的压缩感知恢复策略相对于当前最先进的方案实现了显著的性能改进，并且表现出了不错的收敛性。

Apr, 2014

通过扩散模型在噪声空间中进行域适应，我们展示了一种针对深度学习图像修复的方法，其通过利用多步去噪过程受辅助条件输入影响的独特属性，逐渐将合成数据和真实世界数据的修复结果对齐到一个共同的干净分布。

Jun, 2024

该研究论文提出了一种无监督学习方法，它通过显式地从噪声数据中学习不变展示来重建清晰图像，并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当，同时比其他领域适应方法具有更快和更稳定的收敛性。

Mar, 2020