使用卷积神经网络 (CNN) 和 MPI Sintel 数据集进行直接本质分解的新方法表现出色，超过了以前所有的工作，其结果证明了 CNNs 与合成训练数据的结合可能是解决计算机视觉中经典问题的有力新技术。

Dec, 2015

该论文提出使用深度卷积神经网络解决困难的内在图像分解问题，通过对真实图像和合成图像模型的混合训练，以及引入 Bilateral Solver 层，进一步改进结果，实现了对各种数据集包括真实世界场景的不同光照图像的理想产出。

Jul, 2018

本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

Nov, 2017

该文介绍了使用具有灵活监督损失层的深度学习方法来实现自然图像的固有反射和阴影层解析分解，并展示了其在所有主要内部图像基准测试上取得的最先进结果。

Jan, 2017

该研究提出了一种新的神经网络结构，将图像分解为其固有反射率和阴影，这个结构在固有图像分解问题上表现优异，通过将输出图像展开成拉普拉斯金字塔组件并依据频率实现并行处理，利用卷积神经网络实现图像转换函数的学习，然后在两个基准数据集上进行验证，定量和定性结果均表明，该模型优于最先进的方法。

May, 2018

该论文提出了一种揉合了深度学习与物理反射模型与渐变信息的新型本质图像分解方法，并通过大量实验证明其优于现有方法，最终形成快速、综合高效的本质图像分解方式。

Dec, 2017

本文提出了一种基于数据驱动的方法，用于分解内在图像，通过训练模型预测图像片段之间的相对反射顺序并将其应用于能量最小化框架，以获得更好的效果。

Oct, 2015

开发了一种名为 AdverDecom 的新型深度内在分解与对抗学习方法，用于遥感图像分类，以减轻环境因素对分类性能的负面影响，并通过生成网络（HyperNet）提取与环境相关的特征和类别相关的特征，以及通过对抗学习的环境和类别联合学习损失来使深度模型学习到判别特征。实验证明了该方法的优越性。

Oct, 2023

提出了一种使用深度卷积神经网络对遮蔽组分进行分解，从而区分强光学效应与反射变化的方法，并在大规模实验中证明了其优越性。

Dec, 2019

本文提出了一种基于深度学习的非线性端到端映射方法 SAR-DRN 来破解传统线性模型在合成孔径雷达（SAR）图像去斑方面的局限性，并通过定量和可视化评估表明所提出的方法在去除强斑点噪声方面具有明显优势。

Sep, 2017