本文提出了一种基于两阶段 U-Net 结构和不变性更小颜色差异更敏感的损失函数的图像处理方法，在 Zurich Raw-to-RGB 数据集合上进行了实验，并且证明使用多种不同的损失函数进行集成学习能够带来显著的性能提高。实验结果表明，所提出的方法在 peak signal-to-noise ratio 和 structural similarity 方面表现最佳，并在 mean-opinion-score 方面获得了第二高的分数。

Nov, 2019

该文介绍了一种基于元数据的图像重建方法，通过联合学习采样和重建策略，实现了更好的重建效果，适用于计算机视觉等领域。

Jun, 2022

提出了一种基于 latent space 学习的，对 raw images 进行压缩的新框架，包括了对于图像的不对称和混合空间特征分辨率设计、context model 的新设计和 sRGB 导向的自适应量化策略设计，并且提供了一种新的单模型可实现不同比特率的策略。实验结果表明，该方法在较小的 metadata size 情况下能够获得更好的重构质量。

Jun, 2023

此研究论文提出了一个使用自监督学习方法和成对数据结合的框架，用于重建 CIE-XYZ 图像和重新生成 sRGB 图像，优于现有方法。该框架应用于 sRGB2XYZ 数据集。

May, 2024

本文提出了一种新的压缩原始图像的框架，通过在潜在空间中学习紧凑的表示形式，提高了重建质量、元数据大小和速度；同时，采用改进的熵估计策略的 sRGB 引导上下文模型，可以从全局角度自适应地分配更多的位到重要的图像区域。

Feb, 2023

采用数据驱动的生成模型，NM-FlowGAN 通过同时使用基于正则化流的像素级噪声建模网络和基于生成对抗网络的空间相关建模网络，优于其他基准模型，实现了对 sRGB 噪声的更准确建模和合成。

Dec, 2023

通过使用真实的 RAW 传感器数据进行训练，本文表明将机器学习应用于数码变焦较为有利。作者们还展示了如何通过光学变焦图像获取高准确度的真实高分辨率图像用于训练深度神经网络，并提出了一种新的上下文双边损失（CoBi）算法，使得训练出的网络在 4 倍和 8 倍的计算缩放中实现了最佳性能。

May, 2019

针对不同地理位置采集的卫星图像在波段上存在差异，我们提出了一种语义分割框架，其中关键组件是 Color Mapping Generative Adversarial Networks（ColorMapGAN），它可以生成与测试图像的光谱分布类似的伪造训练图像，在精细调整训练分类器的同时，有效地解决了现有方法在生成满意地图方面存在的问题。

Jul, 2019

本研究旨在解决颜色图像和多光谱图像之间分辨率差异大的问题，提出了一种深度学习架构，并利用自监督学习以及 RGB-RGB 匹配任务的知识来实现跨模态匹配。通过在室内环境下拍摄 13 个场景的图像对，并标注了 34 个具有高分辨率标签的图像对，通过实验证明该方法在使用深度学习进行该任务时性能表现良好。

Jun, 2022

本文提出了一种基于生成对抗网络的图像到图像映射方法，用于超光谱自然图像重建，经过定量评估，相对均方根误差降低了 54.0%。

Sep, 2017