通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。

Jun, 2020

该论文介绍了一种利用前景和背景图片的上下文和颜色信息进行端到端优化并采用自学习策略来训练的，能够自动生成高质量图像合成的新方法，该方法基于拉普拉斯金字塔融合，提出了一种密集的多流融合网络，并在易于复杂的情况下进行渐进式训练，其在定性和定量上均优于现有方法。

Nov, 2020

本文介绍了一种基于深度学习的图片和谐方法 DoveNet，在 COCO、Adobe5k、Flickr 和 day2night 这些数据集上生成了一组 iHarmony4 数据集。我们提出了一种先进的新颖的领域验证鉴别器，使前景能够被翻译成与背景相同的领域。在所构建的数据集上大量实验表明，我们提出的方法是有效的。

Nov, 2019

给定一个复合图像，图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善，并将前景 - 背景关系从真实图像转移到复合图像，为转换的编码器特征提供中间监督。此外，我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。

Aug, 2023

图像协调的目标是调整复合图像中前景的外观，使整个图像协调一致。我们通过探索可学习的增强方法，丰富小规模数据集的光照多样性，以提升协调性能。实验表明，我们提出的可学习增强方法对图像协调具有有效性。

Aug, 2023

本研究提出了一种基于深度学习的图像和谐网络，采用背景引导域转换的方式，通过背景信息对前景进行调整，实现了高质量的图像合成。

Sep, 2020

本研究提出了一种高分辨率图像融合网络，其中结合了像素到像素变换和 RGB 到 RGB 变换，通过低分辨率像素生成器、颜色映射模块和细化模块进行协同工作，旨在解决高分辨率图像合成中的多个问题，且效果明显。

Sep, 2021

本文提出了一种基于深度学习的图像和谐方法，通过引入基于区域的自适应实例归一化 (RAIN) 模块，实现了前景与背景之间的视觉风格一致，并且在现有数据集上进行了大量实验验证，提出的方法具有很高的应用价值。

Jun, 2021

本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

Nov, 2022

本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。

Dec, 2023