本文提出了一种基于条件顺序处理网络的图像修图框架，该框架利用全局特征调制中间特征以实现各种图像处理操作，展现了在 MIT-Adobe FiveK 数据集上优越的性能。

Sep, 2020

本研究提出了一种基于深度学习的自动修饰系统，该系统使用强化学习方法学习如何根据用户喜好风格对输入图片进行不同的修饰操作，从而避免了获取成对的训练数据。与其他深度学习系统不同的是，该系统提供了可理解的修饰结果，而不仅仅是黑盒子结果，定量比较和用户研究证明该技术的修饰结果与提供的照片集相一致。

Sep, 2017

利用卷积神经网络和 Retinex 理论，基于低光照条件下图像对比度很低的事实，提出了一个低光照图像增强模型。通过实验，证明该模型在质量和量化方面比其他同类模型有优势。

Nov, 2017

通过使用非常轻量级（仅有约 8K 个参数）的多尺度线性变换（MSLT）网络，我们提出了一种能够以每秒 125 帧比特率处理 4K 分辨率 sRGB 图像的照明校正方法，该方法能够有效降低参数量和计算复杂度。

Nov, 2023

本文提出一种新的轻量级卷积神经网络（5k 参数），用于处理各种颜色、曝光、对比度、噪点和伪影等问题，实现非均匀照明图像增强，并通过半监督的修复方法，结合新数据集进行训练。该模型可在实时环境下（50 fps）快速增强图片，有效处理非均匀照明图像。

May, 2020

通过使用堆叠深度多尺度分层网络，我们提出的解决方案在不同尺度的每个图像中聚合特征，可有效地从输入图像到目标图像转换图像照明设置，同时使用两个不同的损失函数，多步训练方法可显著提高性能，并实现光照变换的高质量重构，从而使照片增强成为无需人为干预的可能。

Jul, 2021

本研究提出了一种使用多曝光图像的复合细化网络（CRNet），通过完全整合信息丰富的多曝光输入，实现统一的图像恢复和增强，通过池化层显式分离和加强高低频信息，使用特殊设计的多分支块有效融合这些频率，通过大卷积核和反向瓶颈 ConvFFN 的高频增强模块，扩大感受野并充分整合输入特征，本模型在 Bracketing 图像恢复和增强挑战赛的第一轨上获得了第三名，在测试指标和视觉质量上超过了先前的 SOTA 模型。

Apr, 2024

该论文提出了一种基于压缩感知和神经网络的图像自动审核方法，通过使用矩阵池化神经网络来减少运算成本，同时还介绍了基于群组检测和压缩感知的高效自动异常检测技术，为图像社区的自动审核提供了一个性能更好的解决方案。

May, 2023

本研究提出了一种基于卷积神经网络的轻量级无裁剪自然图像抠图方法，通过构建分割网络和抠图精炼网络实现像素分类和细节信息提取，该方法具有可比较的性能但只使用大型模型约 1% 的参数 (344k)。

Oct, 2021

本文提出了一种新的基于循环残差结构约束的图像压缩感知重构方法，称为 R^2CS-NET，该方法可以在适应性在线优化和图像重构中有效地整合在线优化的鲁棒性和深度学习方法的效率和非线性能力。该方法还可以通过利用通道相关性实现彩色图像压缩感知。经过实验验证，该方法具有较高的鲁棒性和泛化能力，可以在现有的深度压缩感知基准测试中表现出色。

Jul, 2022