本文研究了色调映射的效应对于数字照片的非线性失真以及该失真造成的校准不确定性。我们提出并实现了一种模型和方法来解决这个问题，并用不同的视觉任务来展示了这种方法的有效性。

Nov, 2013

本文提出了一种基于对数的数学模型，构建了基于对数的欧几里得空间用于颜色图像处理，通过此模型进行颜色增强并给出了实验结果。

Dec, 2014

本文使用边际方法（即逐个组成部分）对向量色彩LIP模型（LIPC）进行定义，从而将Aspl）und的度量扩展到了第一次的空间颜色Asplund的度量，LIPC是一个非线性模型，其颜色图像操作与人类视觉系统一致，定义的颜色度量对光照变化不敏感且对噪声的影响不大，可用于颜色模式匹配。

Aug, 2016

本研究介绍了四个新的现实世界分布变化数据集，重点探讨了先前提出的改进模型鲁棒性方法，并测试了它们的有效性。我们发现使用更大的模型和人工数据增强可以提高真实世界分布变化的鲁棒性，这与之前的研究不同。我们的研究结果表明，未来的研究必须同时研究多个分布变化，因为我们证明评估的方法不能始终提高模型的鲁棒性。

Jun, 2020

本文提出了一种基于区域的主动学习方法，可以更高效地训练监督分割模型，以实现乳腺癌转移细胞分割的任务，并在公共数据集（CAMELYON16）上验证了这种方法的有效性。

Jul, 2023

对于灰度级函数，传统数学形态学在图像分析中使用的结构性函数与图像相加时无法验证灯光强度变化的特性，因此引入了新的可根据图像幅度调整结构性函数幅度的加法规律，称为对数数学形态学，并提出新的与灯光变化鲁棒性较好的操作符。实验证明，对数数学形态学在一致光照变化的图像中的表现优于传统形态学操作符，并且在非一致光照变化的眼底图像血管分割中也具有比其他三种方法更好的鲁棒性。

Sep, 2023

多任务密集预测的研究中，我们通过引入Segment Anything Model (SAM)和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。

Mar, 2024

我们提出了一种方法，用空间变化的失真合成现有数据集，实验证明这种失真效果会降低最先进的分割模型的性能。预训练和扩展模型容量证明是缓解性能降低的有效策略，而仅在失真图像上进行微调只能带来边缘性能改进。

May, 2024

通过利用上下文化的Vendi分数引导（c-VSG），我们在生成图像的多样性方面取得了显著的进展，尤其是在地域表达上，为了更好地反映真实世界的地理多样性。

Jun, 2024

本研究针对图像照明建模中的二分现象进行了探讨，提出了一种新的基于幂函数的数学模型，以克服现有模型的局限性。该模型的简洁性为经典和现代图像分析与处理开辟了新路径，研究显示该模型在提取图像信息方面的潜力，即使在对比度较差的情况下也能够有效管理图像的二分感知。

Sep, 2024