本研究提供了第一个包含非均一雾的真实数据集（NH-HAZE），用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况，并对多种最先进的去雾方法进行了评估。

May, 2020

该研究提出了一种结合了 RGB 通道变换和最新 Transformers 的创新图像去雾方法，以缩小 NH-HAZE23 数据集和其他数据集之间的分布差距，并在非均质雾的情况下提高去雾性能。

Apr, 2023

该论文旨在回顾 NTIRE 2020 关于真实图像去噪的挑战， 着重介绍新引入的数据集 SIDD+、 提出的方法以及其结果，展示在 Bayer-pattern rawRGB 和标准 RGB（sRGB）颜色空间中对图像去噪的性能进行量化评估的两个赛道，其中参赛者达到了约 250 人。22 支队伍采用了 24 种方法进行比赛，参赛团队提出的方法代表当前针对真实噪声图像的图像去噪中的最新技术表现。

May, 2020

该论文回顾了 NTIRE 2021 高动态范围（HDR）成像挑战赛的首次挑战，着重讲述了新引入的数据集、提出的方法及其结果。该挑战旨在从一个或多个低动态范围（LDR）观测中估计 HDR 图像，要解决曝光不足或过度曝光区域和不同噪声来源的问题。本文介绍了该挑战的两个阶段，并旨在实现最佳目标 HDR 重构。

Jun, 2021

介绍了一个新的数据集 - I-HAZE，包含由真实雾气生成的 35 对室内图像，便于比较图像去雾算法的表现。

Apr, 2018

该论文回顾了 2022 年 CVPR 的 NTIRE 研讨会中关于受限高动态范围（HDR）成像的挑战。本文聚焦于竞赛设定、数据集、提议的方法以及他们的结果。竞赛旨在从多个相应的低动态范围（LDR）观测中估计 HDR 图像，这些观测可能会受到欠曝或过曝区域和不同噪声来源的影响。竞赛由两个轨道组成，强调保真度和复杂性约束。在跟踪 1 中，要求参与者在强制执行低复杂性约束的同时优化客观保真度分数。在跟踪 2 中，要求参与者在强制执行保真度约束的同时最小化其解决方案的复杂度。这两个轨道使用相同的数据和指标：保真度通过与基准 HDR 图像进行相对于 PSNR 的计算来进行测量，包括通过乘积累加（MAC）操作的数量和运行时间（以秒为单位）的复杂性指标。

May, 2022

该论文回顾了 NTIRE 2020 挑战赛关于图像和视频去模糊的评估结果和提出的解决方案，其中包括三个竞赛赛道，即图像去模糊，移动平台图像去模糊和视频去模糊，并介绍了这些竞争赛道的注册和最后测试的情况。成功的解决方案展示了当前图像和视频去模糊任务的最先进性能。

May, 2020

本文提出了一种简单而有效的经过集成学习的非均质去雾方法，该方法使用两个分支神经网络分别处理非均质去雾难题，并通过可学习的融合模块将它们的特征映射到一起，实现了在有限的数据情况下提高去雾效果的目的。

Apr, 2021

本研究提出 Dense-Haze 数据集，并对其进行了全面的定性和定量评估，结果表明，现有的去雾技术在稠密均匀的雾霾场景中表现较差，仍有很大的改进空间。

Apr, 2019

该研究介绍了第一个户外场景数据库（名为 O-HAZE），由一组真实的带雾和对应的无雾图像组成，用于比较最先进的除雾技术，并揭示了当前技术的局限性和一些底层假设问题。

Apr, 2018