本文提出了一种高效的基于图像补丁学习的框架，仅需一个图像输入输出对进行训练，实验证明该方法适用于监督式图像去模糊和超分辨率任务，并显著提高了学习模型的样本效率、泛化能力和时间复杂度。
Apr, 2024
本文通过基础的统计推理，发现仅通过研究受损样本可以学习恢复图片，无需外部信息，仅基于含噪数据一个模型能解决多种图像重建问题，包括消除照片噪点和去噪等。
Mar, 2018
本文提出的 Distortion Invariant representation Learning（DIL）的训练策略，从因果关系的角度出发，将每种图像失真类型和程度视为一种特定的混淆因素，并通过消除每个失真的有害混淆效应来学习失真不变表示，从而提高 DNN 对未知失真的泛化能力。
Mar, 2023
提出了一种使用 Deep Image Prior 方法重建受损图片，不需要预先训练网络或者照片数据库，比传统的单图片方法表现更好。
Apr, 2020
本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。
May, 2019
利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。
Jan, 2019
本文提出了一种基于 Taylor 级数近似的自组织操作神经网络 Self-ONNs，旨在解决卷积神经网络在图像复原方面的不足问题，并在三个不同的复原任务上进行了广泛的消融实验以证明其优越性。
Aug, 2020
本文提出了几种方法来提高基于深度学习的图像去模糊的稳定性，包括使用小型神经模型和引入预处理步骤。数值实验证实了这些方法的精度和稳定性，尤其是基于模型的框架在视觉精度和鲁棒性之间提供了最可靠的平衡。
May, 2023
本文提出了基于去噪的图像恢复算法，将其迭代过程展开为深度神经网络，利用卷积神经网络的多尺度冗余性和观察模型的先验知识，并通过端到端训练，使去噪器和反投影模块可以共同被优化，实现了对多种图像恢复任务的有竞争力和实时状态的最新结果。
Jan, 2018
本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。