本文介绍了名为 LCDMoire 的新型数据集，该数据集是 2019 年 ICCV Advances in Image Manipulation（AIM）研讨会的第一次图像去模糊挑战的一部分。该数据集包括 10,200 对合成图像（由模糊图像和干净图像组成）。除了描述数据集及其创建过程外，本文还回顾了挑战的轨迹、竞赛和结果，这些结果总结了当前在该数据集上的最新技术。

Nov, 2019

本文讨论了 NTIRE 和 CVPR2020 共同举办的图像去莫尔雾化挑战，分为单幅和爆发式两类不同的图像去莫尔雾化问题，评估了 14 个和 6 个不同方法的还原图像的质量，探讨了在图像和爆发式去莫尔雾化问题中现有领先的技术。

May, 2020

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

本文讨论了解决图像去莫尔纹的问题。与现有学习基于成对真实数据的研究不同，我们尝试从不成对的真实数据，即与无关的清晰图像相关联的莫尔纹图像中学习去莫尔纹模型。为了实现这一目标，我们将真实莫尔纹图像分成小块，并按照其莫尔纹复杂性进行分组。我们引入了一种新颖的莫尔纹生成框架来合成具有多样莫尔纹特征的莫尔纹图像，这些特征与真实莫尔纹补丁相似，并且具有类似真实无莫尔纹图像的细节。此外，我们引入了一种自适应降噪方法来排除对去莫尔纹模型学习产生负面影响的低质量伪莫尔纹图像。我们在常用的 FHDMi 和 UHDM 数据集上进行了大量实验证明，我们的 UnDeM 在使用现有的去莫尔纹模型如 MBCNN 和 ESDNet-L 时表现更好。

Jan, 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

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

本文评估了 AIM 2019 关于真实世界中的超分辨率的挑战，着重于参与方法和最终结果，对源域和目标域的图像进行超分辨率处理，挑战了真实世界中缺少高低分辨率图像对训练的数据，并构造了一些现实的图像退化用于源输入图像及量化评估.

Nov, 2019

本文提出了一种基于多尺度卷积网络和动态特征编码的数字传感器图像去莫尔算法，可以同时处理不同频带的莫尔，且效果超过现有技术。

Sep, 2019

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