通过在卷积残差网络中引入长短时记忆机制，增强了记忆机制加强卷积神经网络的性能，使得该方法在CIFAR-100基准测试上优于其他最先进的技术，并且在CIFAR-10和SVHN基准测试上与之相当，而且相比于深度相当的深度残差神经网络，网络宽度更大，深度更小，总体计算量更少。

Jun, 2016

本文介绍了一种名为DeepAM的图像恢复通用框架，该框架使用卷积神经网络作为先验或正则化器，通过端到端学习来训练深度神经网络实现传统AM算法中的两个步骤（近端映射和?-延续）。作者通过在大量数据上学习而获得的深度聚合的正则化器表现优于最近的数据驱动方法和非本地方法，并通过几个图像恢复任务来展示其灵活性和有效性，包括单张图像去噪、RGB-NIR恢复和深度超分辨率。

Dec, 2016

RL-Restore通过训练多个小型卷积神经网络，学习如何根据图像状况逐步选择适当的恢复工具，以更加高效地处理复杂的图像失真。

Apr, 2018

本文提出了Memory Matching Networks（MM-Net）的新想法，即在卷积神经网络中加入记忆元素，并学习动态地适应无标签图像的参数，从而实现一次学习。文章探讨了不同的训练数据集的匹配方法，并得出了超越同类算法的实验结果。

Apr, 2018

本文提出了一种非局部递归网络（NLRN），将非局部操作纳入递归神经网络（RNN）用于图像恢复，在图像去噪和超分辨率任务中，该模型由于递归非局部操作和相关性传播而取得了优越的结果。

Jun, 2018

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

本文研究了深度学习系统在持续学习环境下的表现，发现其容易出现失去可塑性现象，影响其对新数据的适应能力，但通过L2正则化和重启动某些不常用单元的连续反向传播算法，可以缓解和避免这种现象。

Jun, 2023

该研究提出了一种基于动态参考建模范式的高效All-In-One图像复原方法，该方法采用一对相互纠缠的基于参考的最大后验概率推断，实现任务自适应的降噪建模和模型图像还原，同时提供了显式的灵活性和可解释性。

Jul, 2023

本文介绍了一种结合了三个粒度的内存层和对比学习的MemoryNet方法，通过保留图像的深度特征和收敛学习特征以提高恢复性能，并在水雨去除、去阴影、去模糊任务上获得了显著的PSNR和SSIM增益，以证明恢复图像具有感知逼真性。

Sep, 2023

通过引入自然性导向和语义感知优化机制DiffLoss，本文旨在改善图像恢复领域中的颜色和纹理失真问题，并提高图像的语义感知恢复能力，以实现图像恢复任务和高级识别任务的连接。

Jun, 2024