该研究探讨了在嵌入式计算机视觉中硬件加速和图像信号处理在能效方面的问题，并提出了一种通过在成像流水线中引入配置性的创新图像传感器设计以提高能效的方法。

May, 2017

本研究提出了一种名为 DynamicISP 的图像信号处理器，该处理器由多个经典 ISP 函数组成，根据前一帧的识别结果动态地控制每帧的参数，以达到在单一和多类目标检测任务中取得低计算成本和最先进的准确度的目的。

Nov, 2022

本文提出了一种名为 VisionISP 的方法，可以使传统的图像信号处理器 (ISP) 更好地适用于计算机视觉应用，从而降低数据传输需要并提高计算机视觉的表现。实验结果表明，VisionISP 能够明显提高自动驾驶场景中目标检测的准确性。

Nov, 2019

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

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

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

通过统一多种相机模型的学习，提出了一种新颖的管线 Uni-ISP，利用设备感知的嵌入技术和特殊的训练方案，提高了逆向 / 正向 ISP 的性能，并解锁了多种新应用。同时，通过构建一个真实的 4K 数据集，证明了 Uni-ISP 在逆向 / 正向 ISP 方面的精确性以及其对新相机模型的适应性。

Jun, 2024

在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知，它将颜色空间转换明确地融入到独立于设备的颜色空间中，以提高对未见的相机传感器的泛化性，同时与任何物体检测器配对。

May, 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