该文介绍了一种新的深度学习算法，用于从模糊的图片中恢复出清晰的图片，该算法采用了编码器 - 解码器架构和实例归一化，通过采用预训练的 VGG 网络中的卷积层来提取特征，可显著提高图像的清晰度。

May, 2018

通過修改現有的兩種方法（CAR，HINet），我們在數碼化的敦煌石窟壁畫上實現了成功的壁畫修復和增強，其中一種方法（HINet）超過了敦煌挑戰的第一名，而我們結合的方法（ARIN）在噪聲方面表現出色，與第一名相媲美。

Feb, 2024

本文提出了迭代单应性网络（IHN），一种新的深度学习单应性估计架构，通过可训练的迭代器和多尺度方法可以实现对静态场景和动态场景中移动目标的高精度估计。实验表明，IHN 可以实现 95％的误差减少和 32.7fps 的处理速度。

Mar, 2022

本文提出了一种基于 Sigmoid 函数和分组归一化的 Instance-Layer Normalization (ILN) 层，用于 DCNN 的浅层特征图融合。使用 U-Net 作为 DCNN 架构以右心室和左心室的图像分割为例，验证了 ILN 在各种常见规格网络上的有效性，优于传统的与流行的归一化方法。

Aug, 2019

本文提出了一种基于改进的分层模型 M-Net + 的图像增强网络（HWMNet），其中使用半波小波块从小波域丰富特征。该算法在两个图像增强数据集中产生了具有竞争力的性能结果，特别是在使用定量指标和视觉质量方面。

Mar, 2022

本文提出了 HITNet，一种新型神经网络结构，用于实时立体匹配。该算法使用多分辨率初始化步骤、可微 2D 几何传播和变形机制推断差异假设，是一种具有高灵敏度的架构，可在多个分类指标上获得最好的表现。

Jul, 2020

本篇论文提出了一种不需要非线性激活函数的图像恢复模型 NAFNet，其计算效率比现有 SOTA 方法高，且在多个挑战认可的基准测试中获得了最佳结果。

Apr, 2022

IBN-Net 是一种卷积神经网络结构，它通过融合实例归一化和批量归一化，能显著提高 CNN 在一个领域（例如 Cityscapes）的建模能力以及在另一个领域（例如 GTA5）的泛化能力，并且适用于许多先进的深度网络。

Jul, 2018

通过 Batch-Instance Normalization 技术，能够显式地将图像中不必要的样式进行规范化，从而对识别性任务的结果产生了惊人的提升，理论有效性得到了实验验证。

May, 2018

PriorNet 是一种新颖、轻量且高度适用的去雾网络，通过引入 Multi-Dimensional Interactive Attention (MIA) 机制，显著提高了雾图像的清晰度和视觉质量，同时避免了过度细节提取等问题，具备优秀的去雾和图像清晰度恢复能力，且在普适性和可部署性方面表现突出。

Apr, 2024