本文提出一种名为 Glass-Net 的生成器，利用 GAN 和感知损失结合进行模型的 finetuning，同时重新实现了 Instance Normalization，通过在智能手机 GPU 上加速 tflite 模型，能在所有智能手机芯片上每秒处理一张 1024x1536 像素的高质量 bokeh 图像，且该方法在 AIM 2020 排名第一。

Nov, 2020

本研究提出了基于网络的方法，利用预测的单眼深度图和三种新的边缘感知 Bokeh 损失，以生成逼真的单眼 Bokeh 效果，并使用对抗性损失进行微调，实验结果表明，我们的方法能够处理复杂场景，产生锐利边缘而自然的 Bokeh 效果。

Aug, 2022

本论文提出了一种基于端到端深度学习框架的方法，通过单眼景深估计网络将原始图像和不同版本的平滑图像混合以生成高质量的浅景深照片，该方法在 AIM 2019 咀嚼效应挑战赛感知跟踪中排名第二。

May, 2020

本文利用端到端 Deep Multi-Scale Hierarchical Network (DMSHN) 模型对单眼相机拍摄的图片进行了 Bokeh 效果的直接渲染。通过提出一个堆叠的 DMSHN 模型来进一步改善效果，避免在中等配置设备上运行时参数过多、运行时间过长等问题。该模型在使用较小的运行时间处理高清晰度图像时能够获得大规模 EBB! 数据集上的最新成果。

May, 2021

提出了一种名为 BPPNet 的背投影金字塔网络结构，其中包括多个复杂度级别的学习和多尺度结构信息，通过 UNet 和金字塔卷积块的迭代块合并构建生成器，并借助反向投影进行学习，使得该网络能够对密集雾和不均匀雾等各种具有挑战性的飘雾条件进行良好性能的训练，利用可能的少至 20 个图像配对就能进行训练而不会过拟合，并且在 NTIRE 2018，NTIRE 2019 以及 NTIRE 2020 数据集上表现出业界领先的性能。

Aug, 2020

该论文提出了一种名为 LG-BPN 的新方法，通过在网络设计中考虑局部细节恢复的空间相关统计，并将全局依赖性建模能力引入之前基于 CNN 的 BSN 方法，能够全面利用盲方法中的详细结构和全局交互。

Apr, 2023

利用可学习的三维场景表示 Multiplane Image (MPI)，提出了一个高分辨率的 MPIB Bokeh 渲染框架，配合背景修复模块，有效地实现了真实的部分遮挡效果，在合成和真实图像上取得了较好的结果。

Jul, 2022

本文提出了从 DSLR 相机制作模糊背景效果的深度学习模型，并使用大规模图像数据集进行训练。通过实验证明，该模型能够生成非均匀玻璃散射现象，即使输入数据复杂。

Jun, 2020

本论文提出了基于深度神经网络的多核预测网络（MKPN）来进行突发图像去噪，通过预测不同大小的核并将这些不同核的融合得到每一个像素的核，可有效提取不同信息实现更好的重建，实验结果表明 MKPN 方法在不同噪声级别的合成数据集上优于现有方法。

Feb, 2019

本文提出了结合潜在扩散模型和两阶段条件算法的 GBSD 生成模型，用于在语意上定义的对象上渲染 bokeh 效果，通过量化和定性的实验验证了 GBSD 能够应用于文本到图像和图像到图像的生成。

Jun, 2023