研究表明，使用 PyNET 可以使用单个端到端深度学习模型取代复杂的手工设计相机 ISP 解决方案，实现精细图像恢复，并将移动相机传感器直接获得的 RAW Bayer 数据转换为使用专业高端 DSLR 相机采集的相片，无需了解特定的移动 ISP 实现。

Feb, 2020

该研究提出了一种基于深度学习的图像信号处理流程来提高移动相机的感知性能，通过使用 Sony IMX586 Quad Bayer 移动传感器和专业的 102 百万像素中画幅相机拍摄的 RAW-RGB 图像对生成所作的全新学习型 ISP 数据集来评估该方法，其处理时间低于 100 毫秒且具有高保真度。

May, 2021

本论文介绍了一种利用注意机制和小波变换，名为 AWNet 的新型网络，用于解决可学习的图像 ISP 问题。实验结果表明，该方法在 qualitatif 和 quantitatif measurements 方面都取得了进展。

Aug, 2020

DeepISP 是一个全面的端到端深度神经模型，用于照相机图像信号处理（ISP）管道，学习从原始低光马赛克图像到最终具有视觉吸引力的图像的映射，并包括去马赛克、降噪以及色彩校正等低层次任务，以及更高层次的图像调整任务。该解决方案在 PSNR 的客观评估方面实现了最先进的性能，在完整的端到端管道中，相比制造商 ISP，在主观人类评估和由用于评估图像质量的深度模型评分时具有更好的视觉质量。

Jan, 2018

提出了一种名为 CameraNet 的新型框架，采用两个 CNN 模块来处理图像恢复和图像增强两个相对独立的子任务，CamaraNet 通过两个模块逐步处理恢复和增强子任务，从而取得了比传统 ISP 管线更好的重建质量。

Aug, 2019

现代智能手机相机中，图像信号处理器（ISP）是将传感器的原始读数转换为用户可感知的 RGB 图像的核心元素。我们提出了一个可以捕捉全局上下文信息的模块，并利用该模块构建了一个高效且简单的神经 ISP，实现了对不同基准测试集的全分辨率真实智能手机图像的最新成果。

Apr, 2024

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

该研究建立了高分辨率夜间 RAW-RGB 数据集，并开发了 CBUnet，一个二阶段的神经网络图像信号处理方案，以应对夜间光照特性不明确的问题，实验结果表明，该方法相较于传统 ISP 管道具有更好的视觉效果，并在 NTIRE 2022 夜间摄影渲染挑战赛上排名第二。

Apr, 2022

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

本文介绍了一种使用未配对学习方案来调整色彩图像去噪器处理测试图像的方案，并使用学习的伪 ISP 和 rawRGB 噪声模型对真实噪声图像进行去噪，表明该方案对不同的去噪器都有效。

Mar, 2021