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

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

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

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

本文回顾了 AIM 2020 挑战赛中关于高效单图像超分辨率的提出的解决方案和结果，挑战任务是基于一组低分辨率图像和相应的高分辨率图像的先前实例对输入图像进行 4 倍放大的超分辨率，目标是确保至少保持 MSRResNet 的 PSNR 的同时降低如运行时间、参数计数、活动、内存消耗等一些方面，同时至少降低一个或多个方面，该挑战共有 150 个注册参与者，25 个团队提交了最终结果，本文总结了高效单图像超分辨率的最新进展。

Sep, 2020

本文评估了 AIM 2019 关于真实世界中的超分辨率的挑战，着重于参与方法和最终结果，对源域和目标域的图像进行超分辨率处理，挑战了真实世界中缺少高低分辨率图像对训练的数据，并构造了一些现实的图像退化用于源输入图像及量化评估.

Nov, 2019

本文回顾了 AIM 2019 关于基于约束的单张图像超分辨率的挑战，主要关注提出的解决方案和结果，挑战有三个轨道，每个轨道都有数十个参与者，评估了单张图像超分辨率领域的最新技术水平。

Nov, 2019

本文中，我们在准备 NTIRE2023 阴影去除挑战 [1] 期间，对 ShadowFormer 进行了分析和讨论，并进行了五个关键改进：图像对齐、引入感知质量损失函数、半自动阴影检测注释、阴影检测与去除的联合学习以及引入了用于阴影去除的新数据增强技术。我们的方法在 LPIPS 得分为 0.196（19 个方法中排名第 3），在平均意见分数 (MOS) 中为 7.44（19 个方法中排名第 3）。

Mar, 2024

提出了一个准确、快速、轻量级的网络 CAIR 用于 Instagram 滤镜去除，采用非线性激活函数自由网络（NAFNet）和加入颜色注意力模块，达到 11× 快速和 2.4× 轻量级，同时在 IFFI 数据集上超过了 3.69 dB PSNR，并成功去除了 Instagram 滤镜和恢复了色彩信息。

Aug, 2022