该论文提出了 DKN 卷积神经网络架构及其高效实现，使用稀疏且空间可变的滤波核进行图像增强和降噪，并在深度图上采样，显著优于现有技术。

Oct, 2019

本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。

Mar, 2018

本文提出一种基于卷积神经网络的图像增强方法，通过动态滤波器学习来提高图像分类的效果，实验证明该方法在四个基准数据集中表现出较好的性能。

Oct, 2017

本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

Aug, 2017

文章提出了一种利用联合 CRF 和卷积神经网络解决单个图像预测深度图和本征图的方法，该方法命名为联合卷积神经场模型 (JCNF)，该方法在单图深度估计和本征图分解两个任务上均超越了现有方法。

Mar, 2016

本文提出了一种基于卷积神经网络的联合学习方法，以在语义相似的图像中获得稠密对应和发现对象地标，在解决训练数据不足方面取得了显著成效，并引入了概率学习方法以提高框架的稳健性，该方法在语义匹配和地标检测的多个标准基准测试中取得了最新的最佳表现。

Oct, 2019

本文提出了一种将指导性先验信息引入深度超分辨率模型的方法，使用联合隐式函数 (JIIF) 来表示目标图像领域，并使用图注意力机制在联合深度隐式函数中学习插值权重，该方法在三个公共基准测试中显着优于现有方法。

Jul, 2021

本研究提出了一种基于引导式深度解码器网络的通用先验，该网络由一个利用引导图像的多尺度特征的编码器 - 解码器网络和一个生成输出图像的深度解码器网络组成，并通过特征细化单元将引导图像的多尺度特征嵌入深度解码器网络，允许网络参数在无监督学习的情况下进行优化，实现了多种图像融合问题的最新性能。

Jul, 2020

本文提出了一种在存在不完善模态的情况下设计稳健的深度多模态学习体系结构的方法 - 通过使用深度融合架构进行目标检测，并使用带有门控信息融合网络调节贡献权重进行构建，以实现具有抗干扰性的性能表现提高，对于 KITTI 数据集的单发探测器（SSD），本文通过数据增强方案和提出的融合网络取得了显著的性能提升。

Jul, 2018

我们提出了一种新颖的相互引导动态网络（MGDN）用于图像融合，该网络允许有效地利用来自不同位置和输入的信息。实验结果表明，我们提出的方法在四种图像融合任务上优于现有方法。

Aug, 2023