本文提出了一种基于众包和主动学习的局部图像优化方法，通过定位需要调整的关键像素附近的参数，将图像变化的优化问题分解成一系列单滑块调整，从而获得视觉效果更好的增强结果。

Jun, 2023

本文提出了一种新的参数化表示 Deep Parametric 3D Filters (DP3DF)，它融合了局部时空信息，并通过共享主干学习动态剩余帧，使得在单个编码器 - 解码器网络中同时实现降噪、光照增强和视频超分辨率，该方法在各种具有挑战性的真实数据集上始终优于最佳的现有方法，具有极快的运行时间。

Jul, 2022

本文提出了一种局部学习算法，结合图像数据和卷积滤波器、块归一化和非线性方法，可以成功地对 CIFAR-10 和 ImageNet 32x32 数据集进行分类，并展示了有关如何使用无标签数据从中学习通用表示的成功转移学习案例。

Aug, 2019

本文提出了一种新的基于统计模型的图像描述方法，其中利用线性滤波器组的局部响应共同服从零均值的高斯分布，协方差在空间位置上变化缓慢。文章通过优化一组滤波器，以最小化其本地激活矩阵（即奇异值之和），从而鼓励一种灵活的稀疏形式，同时也使其不依赖于任何特定的词典或坐标系统，实现了图像近乎完美的重构，具有很好的噪声去除、压缩和纹理表示能力。

Dec, 2014

本研究提出了一种学习性方法，基于卷积神经网络构建联合滤波器，该算法可以选择性地传输与指导和目标图像一致的重要结构，验证表明该联合滤波器在抑制噪声或增强空间分辨率方面具有有效性，并且具有与现有最先进方法相当的性能。

Oct, 2017

GFNet 是一个简单而高效的架构，它通过频域中的长期空间依赖性来替换自注意力层，在 ImageNet 和下游任务中表现出有竞争力的准确性 / 复杂性权衡。

Jul, 2021

介绍一种新的动态滤波网络架构，使得学习的滤波器可以根据输入动态生成，具有高度适应性，且不会过多增加模型参数。通过可视化学习到的滤波器，证明该网络可以在无标签数据上学习信息，从而可以用于各种无监督预训练任务，例如光流和深度估计。

May, 2016

通过整合全局和局部运算符，利用频率信息的特定特征对低频图像进行图像自适应 3D LUT 的调节，同时使用局部 Laplacian 滤波器以自适应方式细化高频分量中的边缘细节，提出一种轻量级网络从注释数据中逐步学习局部 Laplacian 滤波器的参数值映射，从而实现全局色调处理和局部边缘细节保护的综合模型，该方法在两个基准数据集上与最先进的方法相比表现出良好的性能。

Oct, 2023

本文介绍了使用 DeepFilterNet 进行实时语音增强的演示。通过利用言语生产和心理声学感知的领域知识，该模型能够匹配最先进的语音增强基准，并在单线程笔记本 CPU 上实现了实时化因子 0.19。该框架及预训练权重已在开源协议下发布。

May, 2023

本文旨在探究使用滤波技术的像素去噪方法对于神经网络的鲁棒性增强效果，研究表明相比于基于像素加法的方法，像素滤波技术不仅能取得更高的图像质量而且对于对抗性样本的准确率也有更好的提高。为了解决滤波方法在训练过程中依赖于对抗样本敌扰幅度的问题，文章提出了一种名为 AdvFilter 的方法，该方法集成了双扰动滤波和不确定性感知模块，在训练和测试的过程中能够自动感知其噪声水平，提高了准确率。通过在多个数据集上的实验，研究者还发现考虑数据和模型的联合训练方法能够进一步提高神经网络的鲁棒性。

Jul, 2021