通过在像素损失训练中使用增强的 RGB 空间，改进了图像恢复模型的训练，提高了性能，同时保留了颜色和局部结构信息。

Feb, 2024

该研究提出了使用神经网络进行图像压缩的简单方法，该方法在编码图像时将 MLP 的权重作为代码存储。实验表明，该方法在低比特率下胜过 JPEG，是一种有吸引力的神经数据压缩方法。

Mar, 2021

提出了一种基于 latent space 学习的，对 raw images 进行压缩的新框架，包括了对于图像的不对称和混合空间特征分辨率设计、context model 的新设计和 sRGB 导向的自适应量化策略设计，并且提供了一种新的单模型可实现不同比特率的策略。实验结果表明，该方法在较小的 metadata size 情况下能够获得更好的重构质量。

Jun, 2023

本文提出了一种新颖的基于记忆的着色模型 MemoPainter，通过使用阈值三元组损失实现了非监督训练，能够在有限的数据下实现高质量的着色，尤其适用于少样本学习任务。

Jun, 2019

本文提出了一种新的压缩原始图像的框架，通过在潜在空间中学习紧凑的表示形式，提高了重建质量、元数据大小和速度；同时，采用改进的熵估计策略的 sRGB 引导上下文模型，可以从全局角度自适应地分配更多的位到重要的图像区域。

Feb, 2023

通过对三个常见的图像恢复应用进行测试，我们发现，训练神经网络时，将 HDR 和 RAW 图像呈现在显示编码的颜色空间中比线性颜色空间更能提供更好的感知均匀性，这种训练策略的微小改变可以显著提高性能，高达 10-15 dB。

Dec, 2023

该研究提出了一种新的损失图像压缩方法，利用自然图像的多尺度特征，通过自编码器和并行多尺度无损编码器提取和编码量化变量来实现快速高保真图像编解码。

May, 2018

提出了一种名为 AdaCM 的基于 Adaptive ColorMLP 的有效和高效的通用照片逼真风格转移框架，可以在超快的速度下处理 4K 分辨率图像，并且可以生成生动、高质量的样式化结果。

Dec, 2022

本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

Nov, 2020

本研究探讨了一种简单的 Capsule 网络 (CapsNet) 拓扑结构，用于图像着色问题。通过修改网络结构，将这个原本用于图像分类问题的 CapsNet 模型适用于 CIE Lab 颜色空间下灰度图像到彩色图像的生成和分割任务，利用 VGG-19 预训练模型的深度特征层次和 Mean Squared Error loss 函数进行改进优化，获得了不错的结果。

Aug, 2019