本文提出了一种新的端到端的物体跟踪方法，它直接从原始传感器输入到物体的轨迹映射，而无需任何特征工程或系统识别模型。该方法基于深度学习和循环神经网络的序列建模，通过一种输入丢弃的学习方法，能够在无监督的情况下处理包括遮挡物在内的传感器数据，学习跟踪许多动态物体，适用于机器人类应用中常见的2D激光数据跟踪任务。

Feb, 2016

本文研究了一种基于卷积神经网络的数据驱动算法来解决相机型号识别问题，结果表明，所提出的方法在64x64的彩色图像块分类上优于最新的算法，而且所学到的特征具有很好的泛化性能。

Mar, 2016

本文综述使用卷积神经网络解决成像中的反问题的最新进展，并重点关注了设计决策，即训练数据的来源，CNN的架构以及如何解决学习问题等关键理论。

Oct, 2017

通过反演图像处理流水线的每个步骤，我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术，并在评估损失函数时建模图像处理流水线的相关组件，从而训练一个简单的卷积神经网络，相对于先前的最新技术，在Darmstadt噪声数据集上具有14％-38％更低的误差率，并且是先前技术的9倍-18倍更快，同时可以概括到该数据集之外的传感器。

Nov, 2018

本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

Nov, 2018

本文提出一种方法，将深度学习光流和单目视差的预测与基于模型的优化过程相结合，用于瞬时相机姿态估计，并在KITTI数据集上展示了最新的结果

Dec, 2018

该研究提出了ViDeNN: 一种用于视频去噪的卷积神经网络，能够在没有先验知识的情况下去除噪声，并使用组合的空间和时间滤波进行学习，处理物体运动、亮度变化、低光条件和时间不一致性。通过特定数据集的训练，ViDeNN 在常见基准测试和自采数据上取得了与现有技术相当的好结果。

Apr, 2019

提出了一种名为CameraNet的新型框架，采用两个CNN模块来处理图像恢复和图像增强两个相对独立的子任务，CamaraNet通过两个模块逐步处理恢复和增强子任务，从而取得了比传统ISP管线更好的重建质量。

Aug, 2019

自主机器必须自我维持适当功能以确保人类和自身的安全，本研究主要研究了一个实时、内存高效和可靠的噪声源估计器，结合了数据和物理模型，用于检测相机的噪声源，通过分析相机元数据和图像来量化噪声的贡献。

Apr, 2024

通过提出一种新的评估协议，我们评估了23种归因方法以及8种不同的视觉模型设计选择如何影响归因质量，发现内在可解释性模型优于标准模型，并且原始的归因值展现出更高的质量。此外，在改变网络设计时，归因质量也出现了一致性变化，表明一些标准设计选择促进了归因质量。

Jul, 2024