通过模糊噪声权衡，利用非均匀曝光技术在恶劣环境中实现了图像获取的灵活性，进而提出了一种新颖的神经形态快门控制系统 (NSC)，以避免运动模糊和减轻即时噪声，通过利用事件的低延迟性来实时监测运动并实现场景自适应曝光，同时提出了一种基于事件的图像去噪网络 (SEID) 来稳定由非均匀曝光时间引起的信噪比不一致，并通过自监督学习范式探索图像噪声统计和事件的帧间运动信息以获得高质量的实时成像效果。在建立的混合相机成像系统中实现了所提出的 NSC，并收集了包含不同目标场景和运动模式的多样化真实世界数据集，实验结果表明我们的方法优于现有技术。

Apr, 2024

通过利用经典的编码曝光成像技术和新兴的隐式神经表示视频技术，本研究工作巧妙地在成像过程中嵌入运动方向线索，并开发了一种新颖的自递归神经网络，通过利用嵌入的运动方向线索从模糊图像中顺序检索潜在的视频序列。通过在基准数据集和实际捕获的模糊图像上进行大量实验证实了我们提出的框架的有效性和效率，结果表明我们的方法在质量和灵活性上显著优于现有方法。

Nov, 2023

本文提出了一种基于深度强化学习的相机曝光控制框架，以实现实时处理并在不同动态光照条件下迅速控制相机曝光。该框架通过简化训练场景、奖励设计、状态设计和域随机化等方法，实现了在五个步骤内快速达到所需曝光水平，并在不同计算机视觉任务中表现出优越性。

Apr, 2024

提出了一种端到端的曝光校正模型，采用感知损失，特征匹配损失和多尺度辨别器来提高生成图像的质量并使训练更加稳定，实验结果表明其有效性。在大规模曝光数据集上，取得了最新的最优结果，并研究了图像曝光设置对画像抠图任务的影响，发现曝光过度和曝光不足的图像导致画像抠图质量严重降低，采用所提出的模型进行曝光校正后，画像抠图质量显著提高。

Apr, 2022

本研究提出了一种基于深度学习的图像融合算法，通过使用自对准模块和细节补全模块实现图像对齐和特征融合。在神经结构搜索的基础上，找到了更加紧凑和高效的网络结构，实现了比较优异的成果。

May, 2023

该研究论文介绍了一种基于学习的系统，通过使用基于 Transformer 的深度神经网络来减少低动态范围相机在处理宽动态范围输入时经常出现的局部过曝问题，同时不需要复杂的曝光交替或昂贵的处理来实现高动态范围成像。研究采用了多尺度深度神经网络，并使用合适的代价函数进行训练以达到现有技术水平的质量。通过引入过去的参考帧作为额外输入，帮助重建过曝区域，利用自动曝光中常见的暂时不稳定性，训练了一个决定是否将当前帧作为未来参考帧的参考帧选择深度神经网络。因此，无需交替曝光，得到了一种因果关系的潜在应用于常见视频采集环境的高动态范围幻影算法。

Aug, 2023

本论文提出了一个基于深度神经网络的可控相机模拟器，能够在不同的相机设置下合成原始图像数据，包括曝光时间、ISO、光圈等，并且能够用于大光圈增强、HDR、自动曝光和数据增强等多个应用领域。同时，也是第一个利用传统原始传感器特征和数据驱动深度学习优势模拟相机传感器行为的尝试。

Apr, 2021

该研究提出了一种基于深度神经网络模型的曝光校正方法，通过提供一个新数据集解决了曝光错误的问题。

Mar, 2020

通过结合漏光图像的扩散模型和基于物理的曝光模型，使用残差层筛选出迭代过程中的副作用，从而改进了图像增强方法。该方法适用于真实数据集、不同噪声模型和骨干网络，并且具有更好的泛化能力。

Jul, 2023

本研究提出了一种基于深度学习的自动修饰系统，该系统使用强化学习方法学习如何根据用户喜好风格对输入图片进行不同的修饰操作，从而避免了获取成对的训练数据。与其他深度学习系统不同的是，该系统提供了可理解的修饰结果，而不仅仅是黑盒子结果，定量比较和用户研究证明该技术的修饰结果与提供的照片集相一致。

Sep, 2017