本研究提出了一种基于卷积神经金字塔（CNP）框架的、旨在解决低层次视觉和图像处理任务的方法，可实现低计算复杂度下大感受野视觉处理。此方法适用于图像复原、填补、降噪、去除伪影、边缘升华、滤波、增强和上色等应用领域。

Apr, 2017

本文提出了一种金字塔扩散模型（PyDiff）用于低光图像增强，该模型使用一种新颖的金字塔扩散方法进行采样，同时引入全局校正器以减轻可能出现的全局降级现象，大大提高了性能并使扩散模型的训练更加容易，具有良好的通用性。

May, 2023

本文提出在卷积神经网络 (CNN) 中，通过 Laplacian 金字塔多分辨率重构和高分辨率特征地图的跳跃连接和乘法门来逐步优化从低分辨率地图中重构的区段边界，从而实现对需要密集像素标记的任务的高效语义分割。在 PASCAL VOC 和 Cityscapes 分割基准上实验，该方法能够实现最先进的语义分割结果。

May, 2016

通过整合全局和局部运算符，利用频率信息的特定特征对低频图像进行图像自适应 3D LUT 的调节，同时使用局部 Laplacian 滤波器以自适应方式细化高频分量中的边缘细节，提出一种轻量级网络从注释数据中逐步学习局部 Laplacian 滤波器的参数值映射，从而实现全局色调处理和局部边缘细节保护的综合模型，该方法在两个基准数据集上与最先进的方法相比表现出良好的性能。

Oct, 2023

本文提出了一种基于结构张量的新的直接边缘导向图像超分辨率算法，使用各像素的各向同性高斯滤波器计算结构张量，根据其特征值将像素分为统一区域、角落和边缘三个不同类别，通过结构张量切线特征向量，确定边缘方向并用于沿边缘插值，与部分以前的边缘导向图像插值方法相比，该方法在客观和主观方面都达到了更高的质量。此外，该算法不需要优化处理即可实现更高的速度。

Feb, 2014

通过卷积神经网络，构建了一种显式容忍纹理重采样的完全参考图像质量模型，利用纹理相似度和结构相似度结合来优化图像质量评估，在现有的数据库和纹理数据库上都表现出了具有竞争力的性能。

Apr, 2020

该研究提出了一种高分辨率、高保真度的纹理恢复技术，通过使用粗糙纹理作为初始输入，增强合成纹理与初始纹理之间的一致性，从而解决用户简化操作引起的混叠和模糊问题，并引入了基于自我监督方案的背景噪声平滑技术来解决当前高分辨率纹理合成方案中的噪声问题。该方法促进了高分辨率纹理合成，为高清晰度和高细节纹理合成技术铺平了道路。实验表明，在高分辨率条件下，我们的方案在高保真度纹理恢复方面的表现优于目前已知方案。

Mar, 2024

本文提出一种对卷积网络的特征进行简单修改的方法，可以将长程结构纳入图像生成，并渲染满足各种对称约束的图像以及在图像修复和季节转换等方面应用广泛。

Jun, 2016

我们提出了一种新颖模型，用于将灰度图像分解为三个不同的组成部分：结构部分，表示具有锐利边界和强烈光暗转换的区域；平滑部分，捕捉柔和阴影和色调；以及振荡部分，描述纹理和噪声。

Jul, 2024

本文提出了一种深度 Laplacian 金字塔超分辨率网络，通过使用深监督和 Charbonnier 损失函数进行训练并利用递归层在不同金字塔级别上共享参数来快速准确地进行图像超分辨率重构，实现了较高的图像质量和运行时间。

Oct, 2017