本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

Nov, 2018

本文提出了一种使用光流进行深层爆发图像去噪的方法，通过建立对应关系、预处理和像素级滤波等方式，使其在图像去噪方面实现最先进的结果。

Jun, 2023

本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

Jun, 2020

本文提出了一种基于递归全卷积网络（RFCN）的方法，处理在极低光条件下拍摄的连拍照片，通过端到端处理实现降噪、色彩校正和增强，取得了优于现有方法的效果。

Apr, 2019

本文提出了一种技术，用于联合去噪从手持相机拍摄的一连串图像。特别地，我们提出了一个卷积神经网络体系结构，用于预测空间变化的核对齐和去噪，一种基于真实噪声形成模型的合成数据生成方法，以及通过一个退火损失函数指导的优化，以避免不良的局部最小值。我们的模型在真实数据和合成数据的宽范围噪声水平上与现有技术相匹配或表现优越。

Dec, 2017

近期的图像增强方法展示了使用一对长曝光和短曝光图像进行低光摄影的优势。我们提出了一种新颖的双摄像头方法，通过同时使用一个摄像头捕捉一组同步的短曝光图像和另一个摄像头捕捉的长曝光图像，实现了更好的去噪、运动感知去模糊以及进一步提升质量的效果。

Sep, 2023

本论文提出了基于深度神经网络的多核预测网络（MKPN）来进行突发图像去噪，通过预测不同大小的核并将这些不同核的融合得到每一个像素的核，可有效提取不同信息实现更好的重建，实验结果表明 MKPN 方法在不同噪声级别的合成数据集上优于现有方法。

Feb, 2019

该研究使用神经辐射场方法处理像素错位和噪声问题来提升拍摄设备的图像质量和降噪能力。

Apr, 2022

本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克，而不需要真实 RGB 数据的方法，并应用于从 RAW 图像中学习联合去马赛克和去噪的技术，进一步证明 Fine-Tuning 带来的优势。

May, 2019

该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。

Oct, 2021