研究表明，使用 PyNET 可以使用单个端到端深度学习模型取代复杂的手工设计相机 ISP 解决方案，实现精细图像恢复，并将移动相机传感器直接获得的 RAW Bayer 数据转换为使用专业高端 DSLR 相机采集的相片，无需了解特定的移动 ISP 实现。

Feb, 2020

DeepISP 是一个全面的端到端深度神经模型，用于照相机图像信号处理（ISP）管道，学习从原始低光马赛克图像到最终具有视觉吸引力的图像的映射，并包括去马赛克、降噪以及色彩校正等低层次任务，以及更高层次的图像调整任务。该解决方案在 PSNR 的客观评估方面实现了最先进的性能，在完整的端到端管道中，相比制造商 ISP，在主观人类评估和由用于评估图像质量的深度模型评分时具有更好的视觉质量。

Jan, 2018

该研究探讨了在嵌入式计算机视觉中硬件加速和图像信号处理在能效方面的问题，并提出了一种通过在成像流水线中引入配置性的创新图像传感器设计以提高能效的方法。

May, 2017

本文介绍了一种使用未配对学习方案来调整色彩图像去噪器处理测试图像的方案，并使用学习的伪 ISP 和 rawRGB 噪声模型对真实噪声图像进行去噪，表明该方案对不同的去噪器都有效。

Mar, 2021

使用全卷积神经网络对摄像机拍摄的原始 Bayer 图像进行缺陷像素纠正、去噪、白平衡、曝光校正、解模糊、颜色转换和伽马编码的端到端处理，此神经网络是第一个进行完整图像信号处理流程处理的。通过实验，结果表明该系统的性能优于一般传统的处理流程。

Aug, 2019

通过统一多种相机模型的学习，提出了一种新颖的管线 Uni-ISP，利用设备感知的嵌入技术和特殊的训练方案，提高了逆向 / 正向 ISP 的性能，并解锁了多种新应用。同时，通过构建一个真实的 4K 数据集，证明了 Uni-ISP 在逆向 / 正向 ISP 方面的精确性以及其对新相机模型的适应性。

Jun, 2024

在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知，它将颜色空间转换明确地融入到独立于设备的颜色空间中，以提高对未见的相机传感器的泛化性，同时与任何物体检测器配对。

May, 2022

本文研究了最近关于相机 ISP 的几个新型深度学习方法和研究成果，提供了深入分析和比较，包括结果和未来研究的潜在改进点。

May, 2023

本论文介绍了一种利用注意机制和小波变换，名为 AWNet 的新型网络，用于解决可学习的图像 ISP 问题。实验结果表明，该方法在 qualitatif 和 quantitatif measurements 方面都取得了进展。

Aug, 2020

该研究建立了高分辨率夜间 RAW-RGB 数据集，并开发了 CBUnet，一个二阶段的神经网络图像信号处理方案，以应对夜间光照特性不明确的问题，实验结果表明，该方法相较于传统 ISP 管道具有更好的视觉效果，并在 NTIRE 2022 夜间摄影渲染挑战赛上排名第二。

Apr, 2022