这篇论文报告了 2018 年 PIRM 挑战赛，其中 21 个参赛团队提出的算法都取得了较好的结果，同时对流行的图像质量测量方法进行了分析和结论，并总结了当前超分辨率的趋势。

Sep, 2018

提出了首个 Mobile AI 挑战，其目标是开发一种端到端基于深度学习的视频超分辨率解决方案，能够在移动 GPU 上实现实时性能，为此，提供了 REDS 数据集并使用 Snapdragon 865 SoC 加速浮点网络的 Adreno GPU 对所有模型的运行时进行了评估。

May, 2021

该研究提出了一种基于深度学习的图像信号处理流程来提高移动相机的感知性能，通过使用 Sony IMX586 Quad Bayer 移动传感器和专业的 102 百万像素中画幅相机拍摄的 RAW-RGB 图像对生成所作的全新学习型 ISP 数据集来评估该方法，其处理时间低于 100 毫秒且具有高保真度。

May, 2021

本文介绍了第二届 AIM 学习的 ISP 挑战赛的参赛队伍根据所提出的解决方案和结果。参赛者必须将由华为 P20 手机拍摄的原始低质量 RAW 图像映射到使用佳能 5D DSLR 相机获得的相同照片，该任务涵盖了许多复杂的计算机视觉子任务，例如图像重采样，去噪，白平衡，颜色和对比度校正等。挑战使用精度分数（PSNR 和 SSIM）和用户研究测量的解决方案的感知结果对目标指标进行评估。提出的解决方案显着改善了基线结果，定义了实际图像信号处理流水线建模的最新技术成果。

Nov, 2020

本文回顾了 AIM 2020 挑战赛中关于高效单图像超分辨率的提出的解决方案和结果，挑战任务是基于一组低分辨率图像和相应的高分辨率图像的先前实例对输入图像进行 4 倍放大的超分辨率，目标是确保至少保持 MSRResNet 的 PSNR 的同时降低如运行时间、参数计数、活动、内存消耗等一些方面，同时至少降低一个或多个方面，该挑战共有 150 个注册参与者，25 个团队提交了最终结果，本文总结了高效单图像超分辨率的最新进展。

Sep, 2020

本文提出了一种利用深度学习技术将手机拍摄照片转化为数码单反相机的图像质量。通过残差卷积神经网络提高了照片的颜色还原和图像锐度，使用一个复合知觉误差函数来度量图像质量，其中包括内容，颜色和纹理损失，并通过 DPED 数据集进行了定量和定性性评估，结果表明增强的图像质量可与数码单反照片相媲美，这种方法适用于任何类型的数码相机。

Apr, 2017

本文概述了在 MIPI 2023 上 RGBW Joint Remosaic and Denoise track 的参赛结果和对于参赛队伍开发的前三个最佳模型的详细描述。

Apr, 2023

本文回顾了 AIM 2019 关于基于约束的单张图像超分辨率的挑战，主要关注提出的解决方案和结果，挑战有三个轨道，每个轨道都有数十个参与者，评估了单张图像超分辨率领域的最新技术水平。

Nov, 2019

本文介绍了 AIM 2022 挑战赛关于 Instagram 滤镜去除的方法和结果，对应用深度学习策略、去除滤镜产生负面影响的问题进行了研究和解决，基于 PSNR 指标对 9 个团队提出的方案进行了比较分析，得出定性结果。

Oct, 2022

移动设备上的视频流媒体体验优化是一个挑战，本文提出了一种基于深度学习的实时增强方法，包括视频帧恢复、超分辨率算法和接收端增强感知的视频比特率自适应算法，评估结果显示该方法能够提高视频流媒体系统的实时增强效果，并显著提高 24% 至 82% 的视频体验质量。

Jul, 2023