我们提出了物理启发的退化模型（PIDM），通过空间降级网络（SpaDN）和光谱降级网络（SpeDN）模拟镜头畸变和图像分辨率降低的过程，从而提高了现有融合方法在实际场景中的融合性能。

Feb, 2024

本文提出了一种基于补偿放射变形的图像复原方法 SPAIR，该方法结合了损失定位信息和恰当的稀疏卷积，实现了对多种不同空间退化模型的适用，并且在多项实验中均取得了良好的表现。

Aug, 2021

本研究使用 SFUNet 架构，以小波域而非像素空间中的 denoising diffusion probabilistic model (DDPM) 进行图像合成，通过捕捉空频域的相关性来改进像素数据的标准去噪 U-Net 结构，从而提高 CIFAR-10、FFHQ、LSUN-Bedroom 和 LSUN-Church 数据集上的图像合成质量。

Jul, 2023

本文介绍了一种使用无监督编码器 - 解码器体系结构、通过稀疏狄利克雷分布来解决高光谱图像超分辨率问题的方法，并在实验中证明了其优越性能。

Apr, 2018

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

本文提出了一种新的神经网络架构 DparNet，通过利用降低图像的先验知识来抑制其强度空间可变的复杂图像退化，该方法在图像降噪和抑制大气湍流效应等方面都取得了显著的成效，模型参数数量和计算复杂度均较小。

May, 2023

本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

Jan, 2020

提出了一种称为 `Spectral Dropout' 的新方法，它可以通过固定基函数的正交变换的形式将其转化为正则卷积神经网络 (CNN) 的权重层，通过消除神经网络激活的弱且嘈杂的傅里叶系数来预防过拟合，相比当前正则化方法具有显著提高网络收敛速度以及神经元精简率的效果，并且可以与其他正则化方法共同使用。

Nov, 2017

本研究提出一种基于深度学习的图像去卷积方法，通过使用神经网络将点扩散函数（PSF）映射到单位冲激响应上，并通过对比映射后的 PSF 与单位冲激响应的差异来评估 PSF 适用于深度学习辅助去卷积的可能性，研究发现该方法在提高去卷积质量方面表现出良好的性能，可用于设计衍射光学元件和优于传统框架。

May, 2024

本文提出了一种使用辅助高分辨率图像提取定制数据驱动空间正则化的通用框架，并将其用于多波段图像融合和修复任务中，实验结果表明与传统方法相比，具有更好的效果。

Jun, 2023