该研究提出了一种新的对卫星图像进行去畸变和恢复的方法，使用失真、参考图像和知识蒸馏来训练模型，成功地解开了卫星图像质量问题。

Jun, 2023

本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

Dec, 2016

本文通过基础的统计推理，发现仅通过研究受损样本可以学习恢复图片，无需外部信息，仅基于含噪数据一个模型能解决多种图像重建问题，包括消除照片噪点和去噪等。

Mar, 2018

我们提出了一种针对遥感数据的高效半监督学习方法，通过适应 FixMatch 框架以及消除训练数据中的偏差，使用已标记数据的 30% 在遥感数据集上相较于基准监督学习方法提供了 7.1% 的准确度提升，以及相较于监督学习的最新方法 CDS 提供了 2.1% 的准确度提升。

Dec, 2023

本文介绍了一种基于 Deep Image Prior 算法的图像修复方法，该方法对于数字人文领域中古老壁画的修复效果优于基于变分 / PDEs 和基于块的方法。作者通过将修复数据引入到一个未经过训练的卷积神经网络中，利用可靠信息匹配来完成修复。作为案例研究，作者将这种方法应用于地中海阿尔卑斯山区几个小教堂内高度损坏的中世纪画作的图像修复，并提供了详细描述。

Jun, 2023

本研究旨在改进图像质量并通过深度图像恢复模型增强伪造图像的检测难度，同时测试深度学习方法与非深度学习方法在现有图像篡改检测模型上的效果，结果显示现有图像伪造检测模型无法对所提出的方法进行有效检测。

May, 2024

本文是第一篇对 DL 中使用的先验进行系统研究和分析的综述性文章，包括深度图像恢复和增强的理论分析和结构分类、每种先验的原理和应用的深入讨论、未来方向以及提供所有提到的文献和代码链接的开源仓库。

Jun, 2022

在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

May, 2024

本文提出了基于深度学习的方法，利用蒙特卡罗实验退出的认知不确定性来恢复大气湍流影响下的退化单张图像，并利用估计的不确定性图来指导网络获取恢复图像。

Jul, 2022

通过机器学习从高分辨率遥感图像中提取大规模社会经济指标，以辅助政策决策和人道主义救助，特别是在发展中国家等缺乏可靠数据的地区。

Oct, 2015