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

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

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

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

本文研究了最近关于相机 ISP 的几个新型深度学习方法和研究成果，提供了深入分析和比较，包括结果和未来研究的潜在改进点。

May, 2023

本文介绍了第二届 AIM 学习的 ISP 挑战赛的参赛队伍根据所提出的解决方案和结果。参赛者必须将由华为 P20 手机拍摄的原始低质量 RAW 图像映射到使用佳能 5D DSLR 相机获得的相同照片，该任务涵盖了许多复杂的计算机视觉子任务，例如图像重采样，去噪，白平衡，颜色和对比度校正等。挑战使用精度分数（PSNR 和 SSIM）和用户研究测量的解决方案的感知结果对目标指标进行评估。提出的解决方案显着改善了基线结果，定义了实际图像信号处理流水线建模的最新技术成果。

Nov, 2020

通过动态控制，我们提出了一种由简单的传统 ISP 功能组成的轻量级 ISP，可以在各种环境和甚至局部动态地控制参数，达到了与基于 DNN 的 ISP 相媲美的最先进的准确性，并且比 DNN-based ISPs 更轻巧。此外，我们的方法可以通过动态控制处理不同的图像传感器，而传统方法需要为每个传感器进行训练。

Mar, 2024

本文回顾了旨在在智能手机上部署深度学习模型以实现高效视觉图像增强的首次挑战赛，其中包括经典的图像超分辨率问题和实际中的照片增强问题等。经过实验证明，所提出的解决方案显著改善了现有基线结果，定义了智能手机图像增强领域的最新技术水平。

Oct, 2018

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

MetaISP 是一个单一模型，旨在学习如何在不同设备间转换颜色和局部对比特征，通过轻量级深度学习技术基于设备的相关特征生成 RGB 图片，并利用受交叉协方差启发的新型注意力机制学习全局场景语义，并在场景光源不可用时利用伴随原始图像的元数据进行估计。

Jan, 2024