介绍了 AIM 2022 挑战，通过建立方法和基准，该挑战旨在解决如何从对应的 RGB 图像中恢复原始传感器图像的问题，并且得到了最新的结果，这对于其他任务可以产生潜在的益处。

Oct, 2022

该研究提出了一种混合模型和数据驱动的 ISP 技术，实现了 RAW 和 RGB 域的双向映射和参数学习，通过基于字典的数据增强方法，在 RAW 图像重建和去噪任务中实现了最先进的性能。

Jan, 2022

通过直接处理原始图像，设计了一个适用于训练原始传感器数据模型的逼真退化管道，以实现在原始领域盲目图像超分辨率，并提出了一个新的数据集和基准

Dec, 2023

通过采用 ParamNet 这一新颖的神经网络模块来利用相机参数，我们提出了 ParamISP，一种用于 sRGB 和 RAW 图像之间的前向和反向转换的基于学习的方法，通过给定的 EXIF 数据中提供的相机参数，将其转换为特征向量来控制 ISP 网络。大量实验证明，与以前的方法相比，ParamISP 实现了更出色的 RAW 和 sRGB 重建结果，并且可以有效地应用于各种应用，例如数据集合成、RAW 去模糊、HDR 重建和相机之间的传输。

Dec, 2023

通过统一多种相机模型的学习，提出了一种新颖的管线 Uni-ISP，利用设备感知的嵌入技术和特殊的训练方案，提高了逆向 / 正向 ISP 的性能，并解锁了多种新应用。同时，通过构建一个真实的 4K 数据集，证明了 Uni-ISP 在逆向 / 正向 ISP 方面的精确性以及其对新相机模型的适应性。

Jun, 2024

本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

Jun, 2023

本文提出了可训练的图像信号处理框架，通过使用智能手机拍摄 RAW 图像，可以生成 DSLR 画质的图像，其中使用了色彩条件 ISP 网络和优化的参数色彩映射，在设计具有高效全局上下文模块的颜色预测网络的同时，使用了鲁棒的遮蔽对齐损失函数。同时推出了 ISP in the Wild（ISPW）数据集，并在两个数据集上取得了新的最先进的结果。

Mar, 2022

通过引入保护性信号和定位网络，我们提出了 DRAW 方案，用于保护图像免受篡改，并在多个著名 RAW 数据集上验证了其有效性。

Jul, 2023

手机相机图像处理中 RAW 转 sRGB 映射是一项重要的研究领域，现有方法往往忽视了手机 RAW 图像和单反相机 RGB 图像之间的差异，我们提出了一种名为 FourierISP 的新型神经 ISP 框架，该方法通过在频域内独立优化图像的风格和结构，使得色彩和结构同时得到增强，广泛的数据集评估表明我们的方法达到了最先进的效果。

Jan, 2024

通过反演图像处理流水线的每个步骤，我们提出一种从常见网络照片中合成真实的原始传感器测量结果的技术，并在评估损失函数时建模图像处理流水线的相关组件，从而训练一个简单的卷积神经网络，相对于先前的最新技术，在 Darmstadt 噪声数据集上具有 14％-38％更低的误差率，并且是先前技术的 9 倍 - 18 倍更快，同时可以概括到该数据集之外的传感器。

Nov, 2018