本文提出了一种新的称为 Densely Connected Pyramid Dehazing Network（DCPDN）的端到端单一图像去雾方法，该方法可以联合学习传输图、大气光和去雾。该论文的方法在去雾过程中采用物理学驱动的散射模型，使用新的保边损失函数进行优化，并引入基于生成性对抗网络框架的联合鉴别器以进一步合并估计的传输图和去雾结果间的相互结构信息。实验表明，该方法在去雾效果上取得了显着提高。

Mar, 2018

本文提出了一种轻量级神经网络 EAPNet，采用多维轻量级编码模块提取特征并提出了 PDUB 模块进行动态调整 MAccs 和 PSNR 的性能。此外，利用快速低功耗的对齐模块解决了 Misalignment 问题，实验结果表明，与现有方法相比，我们的方法在 MAccs 上压缩约 20 倍，并获得了 NTIRE 2022 HDR 挑战的第二名。

Apr, 2022

本文介绍了一个称为 “SRN-DeblurNet” 的规模递归网络，该方法使用金字塔不同分辨率的 “粗到细” 方法逐步恢复锐化图像，在大规模模糊数据集上进行评估，结果显示我们的方法比现有方法在定量和定性上的呈现更好。

Feb, 2018

Deep Back-Projection Networks (DBPN) effectively address the mutual dependencies of low- and high-resolution images through iterative up- and down-sampling layers and mutual connections, achieving state-of-the-art results in image super-resolution with large scaling factors such as 8x.

Apr, 2019

本文提出了一种攻击不可知的防御框架，通过在目标卷积神经网络中嵌入去噪和图像恢复模块以及限制分类层的 Lipschitz 常数来提高神经网络的固有鲁棒性，针对各种白盒和黑盒攻击进行了评估，证明了通过本文所提出的 Feature Pyramid Decoder 增强 CNN 可以获得足够的鲁棒性，特别是当进一步进行对抗训练时，性能比非增强版本更好。

May, 2020

该研究提出了使用深度反投影网络进行超分辨率图像重建的方法，利用迭代升采样和降采样，同时考虑低分辨率输入与高分辨率输出之间的相互依赖关系，并构建了互相连接的上采样和下采样阶段来表示不同类型的图像退化和高分辨率特征，结果证明该方法在多个数据集上实现了新的最佳结果，特别是针对大比例尺的情况。

Mar, 2018

该研究介绍了一种高效金字塔网络（EPNet），通过融合边缘分割金字塔模块（ESPM）和全景特征提取模块（PFEM），克服了现有方法在计算效率方面的限制，从而实现了单幅图像超分辨率的高效实用化。

Dec, 2023

提出一种深度分层多块网络方法解决运动模糊的问题，该方法在处理 720p 图像时拥有 40 倍的加速，是首个实时的深度运动去模糊模型，并且在不同深度下适用于不同的应用场景，可以有效地避免性能饱和问题。

Apr, 2019

本研究中，我们尝试使用生成对抗网络框架将 SR 网络 EDSR 作为生成器模块，通过结合均方误差损失、感知损失和对抗性损失训练我们的网络，以在失真和感知质量之间获得最佳权衡，从而实现更好的感官质量。

Nov, 2018

本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

May, 2019