本文提出了从 DSLR 相机制作模糊背景效果的深度学习模型，并使用大规模图像数据集进行训练。通过实验证明，该模型能够生成非均匀玻璃散射现象，即使输入数据复杂。

Jun, 2020

本研究提出了基于网络的方法，利用预测的单眼深度图和三种新的边缘感知 Bokeh 损失，以生成逼真的单眼 Bokeh 效果，并使用对抗性损失进行微调，实验结果表明，我们的方法能够处理复杂场景，产生锐利边缘而自然的 Bokeh 效果。

Aug, 2022

本论文提出了一种基于端到端深度学习框架的方法，通过单眼景深估计网络将原始图像和不同版本的平滑图像混合以生成高质量的浅景深照片，该方法在 AIM 2019 咀嚼效应挑战赛感知跟踪中排名第二。

May, 2020

本研究提出了一种基于焦散先验和辐射先验的实现逼真的 bokeh 效果的框架，该框架模拟了摄影中的浅景深，能够准确地模拟深度关系和区分出焦点区域，并为焦点区域提供多种不同的处理方式，可以在不提供深度图的情况下，学习实现真实感的 bokeh 渲染。

Jun, 2023

本文提出一种名为 Glass-Net 的生成器，利用 GAN 和感知损失结合进行模型的 finetuning，同时重新实现了 Instance Normalization，通过在智能手机 GPU 上加速 tflite 模型，能在所有智能手机芯片上每秒处理一张 1024x1536 像素的高质量 bokeh 图像，且该方法在 AIM 2020 排名第一。

Nov, 2020

BokehMe 是一种混合 bokeh 渲染框架，使用神经渲染器和经典物理驱动渲染器相结合，可以生成高分辨率的逼真 bokeh 效果，并提出了一种能够计算误差图的公式，实现了经典渲染器和一个两阶段神经渲染器联合起来矫正渲染误差。

Jun, 2022

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

本文回顾了旨在在智能手机上部署深度学习模型以实现高效视觉图像增强的首次挑战赛，其中包括经典的图像超分辨率问题和实际中的照片增强问题等。经过实验证明，所提出的解决方案显著改善了现有基线结果，定义了智能手机图像增强领域的最新技术水平。

Oct, 2018

本文回顾了 AIM 2020 挑战赛中关于高效单图像超分辨率的提出的解决方案和结果，挑战任务是基于一组低分辨率图像和相应的高分辨率图像的先前实例对输入图像进行 4 倍放大的超分辨率，目标是确保至少保持 MSRResNet 的 PSNR 的同时降低如运行时间、参数计数、活动、内存消耗等一些方面，同时至少降低一个或多个方面，该挑战共有 150 个注册参与者，25 个团队提交了最终结果，本文总结了高效单图像超分辨率的最新进展。

Sep, 2020

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