采用动态加速方法 (DDA) 和新设计的 moire prior 对漫反射现象进行实时检测和优化，以在移动设备上实现拍照质量的提高，并通过 Snapdragon 8 Gen 1 芯片在 Vivo X80 Pro 智能手机上验证了其在推理时间上的显著改善。

Feb, 2023

本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

Jan, 2023

透过针对不同频带的动态材质和动态纹理的莫尔纹理的变化，提出了一种新型轻量级构架，称为 AADNet（注意力感知莫尔纹去除网络），用于高分辨率图像的莫尔纹去除。广泛的实验证实了我们的方法的有效性，并产生了高保真的图像。

Mar, 2024

本研究提出了一种统一框架 DTNet，即一种面向方向和时间的双边学习网络，用于视频去莫尔纹。DTNet 在去莫尔纹的过程中有效地应用莫尔纹模式移除、对齐、色彩校正和细节修复等步骤，经过广泛实验证明，在峰值信噪比方面，该方法优于最先进的方法，并提供更好的视觉体验。

Aug, 2023

本文提出了一种新型的多分辨率完全卷积网络，用于自动从照片中去除莫尔纹，该网络对输入图像进行非线性多分辨率分析，计算如何在每个频带内消除莫尔纹，该网络在 $100,000^+$ 个图像对的大规模基准数据集上实现了最先进的效果，相对于现有的图像恢复问题的学习架构。

May, 2018

本文设计了基于小波变换和空间注意力机制的双分支网络（WDNet），用于图像去马赛克处理，并在 Rain 100 和 Raindrop 800 数据集上优于现有的图像去雨滴方法。

Jul, 2020

通过提出一种全连接的编码器 - 解码器基于深度网络（FC3DNet）的去莫尔网络以平衡网络速度和结果质量，利用多尺度特征和多特征多注意融合模块（MFMAF）实现对莫尔图案进行综合信息提取和压缩，该网络在真实数据集上能够利用少量参数、FLOPs 和运行时间实现与最先进方法相媲美的性能。

Jun, 2024

通过利用原始颜色分离特征分支和空间调制，以及构建了第一个对齐良好的原始视频去莫尔（RawVDemoiré）数据集，本研究提出了一种专门针对原始输入的图像和视频去莫尔网络，并且在去莫尔图像和视频方面取得了最先进的性能。

Oct, 2023

使用我们最近提出的 “Shape” 概念，本文研究了光电显示器光学成像产生的非期望 Moire 图案，并提出了 ShapeMoiré 方法来辅助图像去 Moire 处理，通过在局部和全局图像级别建模形状特征，设计了一个新颖的 Shape-Architecture，实现了与现有方法的无缝集成，并在四个常用数据集上进行了实验，结果表明，ShapeMoiré 在 PSNR 指标方面达到了最先进水平，同时也在涉及智能手机摄影的实际去 Moire 场景中展现了其强大的鲁棒性与可行性。

Apr, 2024

本文提出了一种针对超高清图像去莫尔纹的方法，首次建立了 UHDM 数据集并在其中进行了基准研究，提出了一种有效的基准模型 ESDNet，其中包括语义对齐的尺度感知模块以解决莫尔纹图案的尺度变化问题，实验证明该方法在性能和效率方面优于当前领先的方法。

Jul, 2022