本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

Mar, 2020

本文采用深度学习框架来解决计算机颜色恒常性问题，使用卷积神经网络将颜色恒常性问题视为照明分类问题，设计深度学习架构以直接用于计算照明颜色，实验结果表明我们的深度网络能够提取有用特征用于照明估计，且在多个测试数据集上性能优于所有先前的颜色恒常方法。

Aug, 2016

本文探讨了 13 种数据增强下三种卷积神经网络（Inception-v4、ResNet 和 DenseNet）对黑色素瘤分类的影响，结果表明数据增强可以在训练和测试中都提高性能，且可以比获得新图像更有效。最佳情况下，不借助外部数据的黑色素瘤分类 AUC 为 0.882，超过了使用附加数据进行训练的 ISIC Challenge 2017 的最佳结果（0.874）。

Sep, 2018

本文介绍一种使用深度结构输出回归学习框架来解决计算机视觉中的颜色均衡问题的方法，该框架结合了深度卷积神经网络的优势，可以自动发现强特征用于白平衡，同时学习多项输出回归器以找到复杂目标变量间的相互依赖关系。实验表明，该方法在两个公共基准测试中取得了与最先进方法的竞争性表现。

Jul, 2016

通过研究肤色对皮肤疾病检测性能的影响以及肤色差异与病变区域之间的色差对恶性检测的作用，我们提出了一种量化色差分数的方法并应用于多种皮肤疾病数据集。观察到高和低色差差异组之间的性能差距，这一差异在各种图像分类模型中一致存在，从而验证了我们的假设。此外，我们还研究了肤色和色差效应之间的相互作用，并提出色差可能是肤色性能偏差的另一个原因。我们的工作为改善皮肤疾病检测提供了一个补充角度。

Jan, 2024

利用基于图像条件生成对抗网络的生成式端到端算法，重新看待了光照条件下的非均匀和多光源色彩恒常性问题，成功地消除了阴影和光照的影响，并提供了一个新的方法来检测和消除阴影，同时提供了一个由约 6000 对合成图像组成的阴影消除数据集，解决了数据的缺陷。

Nov, 2018

本文提出了一个基于物理的多光源颜色恒常性方法，利用 GAN 将照明估计问题建模为图像到图像域转换问题，并提出了一种新型的多照明数据增强方法，实验证明该方法优于现有工作。

Sep, 2021

这篇文章对基于深度学习的最新图像上色技术进行了全面调查，将现有的上色技术分类并讨论其性能等重要因素，主要分类包括七个类别，介绍了其基础块体系结构，输入，优化器，损失函数，训练协议和训练数据等方面，然后引入了一种新的颜色上色数据集并利用已有的和新的数据集对现有的图像上色方法进行了广泛的实验评估，最后讨论了现有方法的限制和可能的解决方案以及未来的研究方向。

Aug, 2020

本文提出一种高质量的全自动上色方法，利用深度学习技术和巨大规模的参考数据库实现图像上色，通过双边滤波后处理和自适应图像聚类技术来确保无伪影的质量，并在各方面优于现有算法。

Apr, 2016

本文介绍了一种使用条件生成式对抗网络解决无监督多样化上色问题的方法，并在 LSUN 卧室数据集上表现出高竞争性和高可信度的着色结果。

Feb, 2017