本文介绍了一种名为 IFRNet 的神经网络模型，主要用于社交媒体图片分析应用中的图像滤镜去除。模型实现过程中，将图像滤镜的影响视为样式变换问题，采用自适应归一化外部样式信息的方法，能够在不同编码器层次上直接去除过滤的视觉效果。实验结果展示了 IFRNet 在定量和定性比较中优于所有对比方法，具有很强的滤镜去除能力。此外，本文还对比了模型的滤镜分类性能和未经过滤的图像主导颜色进行了分析。

Apr, 2021

该研究提供了一种基于对比 Instagram 滤镜去除网络（CIFR）的方法，旨在恢复社交媒体图像的原始版本，以提高卷积神经网络在本地化和分割任务中的推断性能。实验结果表明，CIFR 提供的策略比以往的研究取得了更好的定量和定性结果。

Apr, 2022

提出了一种轻量级图像恢复网络 LIR，通过高效的自适应关注 (EAA) 模块实现了去除图像降噪、模糊等的目的，同时比现有网络在参数和计算量上更高效且产生更接近人眼感知的视觉效果。

Feb, 2024

通过对流行的预训练模型在 Instagram 过滤器下的鲁棒性的分析结果，此文研究了简单的保持结构的过滤器对卷积特征空间的影响，并引入了一种轻量级去风格化模块优化卷积神经网络的表现。

Dec, 2019

本文介绍了 AIM 2022 挑战赛关于 Instagram 滤镜去除的方法和结果，对应用深度学习策略、去除滤镜产生负面影响的问题进行了研究和解决，基于 PSNR 指标对 9 个团队提出的方案进行了比较分析，得出定性结果。

Oct, 2022

本论文提出了一种移动端 ISP 深度学习算法 PyNET-CA，它可以基于 RAW 数据实现从 RAW 到 RGB 的图像重建，并在 AIM 2020 学习智能手机 ISP 挑战中展示了其性能。

Apr, 2021

通过使用浅层网络和高效的块实现全局加性多维均值操作，我们介绍了一种图像复原网络，既具有快速执行速度又能提供优秀的图像质量。通过广泛的实验证明，我们的网络在各种任务上实现了与现有的最先进图像复原网络相媲美甚至更优秀的结果，并且具有较低的延迟。

Mar, 2024

该论文提出了一种使用多层感知机的轻量级、高效率处理全局和局部图像美化效果的算法 - 条件流式修饰网络。通过分析全局图像美化运算可通过一个多层感知器数学式子来描述，并以此为基础搭建了一个小型的神经网络框架，可以在较小的参数量下实现对图像的优化改进。

Apr, 2021

本文介绍了如何使用新型空间 - 不对称注意力模块和对抗学习技术综合学习 Nona-Bayer CFA 噪声图像中的 RGB 图像重建，结果表明该方法在定性和定量比较上均优于现有的图像重建方法，并且可以避免产生任何视觉上妨碍的图像伪影。

Oct, 2021

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