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

研究了数字相机的关键组件：图像信号处理器（ISP），现有的 ISP 设计通常采用固定架构，该研究提出了一种新的可重构 ISP（ReconfigISP），其架构和参数可以自动调整到特定数据和任务，通过可微分的程序搜索来搜索最优的 ISP 架构，并在各种情况下维护代理网络的准确性。

Sep, 2021

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

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

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

本文提出一种使用非线性优化和自动生成算法进行自动 IQ 调整的方法，能够在短短几分钟内产生高质量的图像，并且适用于任何算法的处理模块。

Feb, 2019

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

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

MetaISP 是一个单一模型，旨在学习如何在不同设备间转换颜色和局部对比特征，通过轻量级深度学习技术基于设备的相关特征生成 RGB 图片，并利用受交叉协方差启发的新型注意力机制学习全局场景语义，并在场景光源不可用时利用伴随原始图像的元数据进行估计。

Jan, 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