镜头光晕是一种常见的图像伪影，可以显著降低图像质量并影响计算机视觉系统的性能。本调查综述了镜头光晕的多方面领域，包括其基本物理、影响因素、类型和特征。研究了光晕形成的复杂光学机制，涉及镜头系统内部反射、散射、衍射和色散等因素。探讨了光晕的各种类型，包括散射、反射、眩光、球体和星芒等。分析了形状、颜色和定位等关键属性。讨论了影响光晕出现的众多因素，包括光源属性、镜头特性、相机设置和场景内容。调查广泛涵盖了用于光晕去除的各种方法，包括硬件优化策略、经典图像处理技术和使用深度学习的基于学习的方法。描述了为训练和评估目的创建的开创性光晕数据集以及它们的创建方式。探讨了常用的性能度量指标，如 PSNR、SSIM 和 LPIPS。突出了光晕复杂且数据相关特征带来的挑战。调查提供了最佳实践、限制和有希望的未来发展方向，以便进行光晕去除研究。通过审视最新的技术发展，可以深入了解光晕现象的固有复杂性和现有解决方案的能力。这可以为处理镜头光晕伪影和提高各种应用的视觉质量提供信息和灵感。

Oct, 2023

通过机器学习和数据合成技术，我们能够第一次成功地训练神经网络来去除镜头光晕，从而对各种不同模式的光斑进行了更加准确的去除。

Nov, 2020

本文提出了一种生成包含散射耀斑和对称反射背景的散斑恶化数据对的方法，可用于提高散斑去除算法的效果和评估方法。

Jun, 2023

提出了一种使相机镜头内的反射光和光源呈现对称的全新方法来精确定位和移除影响相片质量的反射光，并创建了首个大规模反射光数据集 BracketFlare，通过该数据集可以训练神经网络来有效地移除反射光。

Mar, 2023

改进镜头反光去除的性能和推进到更一般情况的边界的解决方案。

Aug, 2023

通过合成先验引导的 Flare7K * 数据集，该研究提出了一种自适应聚焦模块（AFM），可在处理多个散射耀斑时适应性遮罩清晰区域，实验表明该数据合成方法能更好地模拟真实场景并取得了最先进的性能。

Mar, 2024

通过 Laplacian 金字塔，我们提出了一种轻量级多频去镜头光晕网络 (MFDNet)，将镜头光晕快速而有效地分离为低频和高频部分，并利用 Transformer 提取全局信息与卷积神经网络捕捉局部特征相结合，通过特征聚合逐渐融合两个模块的输出，显著降低计算成本并超越了当前研究中的方法在夜间场景的真实世界和合成图像上去除镜头光晕。

Jun, 2024

天文学和人工智能的交叉领域面临着诸多挑战，本研究提出了一种名为 FLARE 的两阶段增强框架，通过特征学习和增强分辨率的方法，在图像分类中取得了显著性能提升。

May, 2024

本文介绍了 Flare7K++ 数据集和端到端管道，提供了消除夜间人工光源伴随光晕的可靠方法，并在此任务上推动前沿。

Jun, 2023

使用监督机器学习建立了一个标准化分类太阳耀斑的过程，并发现了 C-Support Vector Machine (SVC) 算法在分类太阳耀斑中的出色表现。该模型具有较高的分类准确度，在检测和分类太阳耀斑方面表现出了很强的适应性和准确性。未来的工作可以集中于提高分类准确度、研究其他模型的实用性以及通过增加更多的数据集来扩展该框架的应用。

Jun, 2024