本文提出了一种基于深度学习的自动图像增强方法，通过学习空间局部滤波器的参数来自动应用于图像，从而实现局部图像调整并显著提高美学质量。

Mar, 2020

本研究提出了一种个性化图像增强方法，使用遮蔽风格建模技术为每个用户个性化地增强输入图像并在 Flickr 数据集上进行训练，实现了基于内容的个性化图像增强，并在用户研究中证明了优于其他方法的效果。

Jun, 2023

本文提出了一种局部学习算法，结合图像数据和卷积滤波器、块归一化和非线性方法，可以成功地对 CIFAR-10 和 ImageNet 32x32 数据集进行分类，并展示了有关如何使用无标签数据从中学习通用表示的成功转移学习案例。

Aug, 2019

本研究提出了一种基于深度学习的图像增强方法，使用单一模型 StarEnhancer 覆盖多种色调样式，可将图像从一种色调样式转换为另一种，具有高时效性和优秀的交互性能。

Jul, 2021

本文介绍了两种度量目标假设信息量的度量方法：localization tightness 和 localization stability，这些方法可以使基于分类的主动学习算法更加有效地用于减少标注数据量以达到目标物体检测性能，实验结果表明，使用这些度量方法可以将所需标注数据量减少高达 25%。

Jan, 2018

本文提出了一种通过本地扰动选择数据点，进一步加强数据采集函数的主动学习方法，并在多种分类任务和基于提示的少样本学习的研究中取得了一致的利益和改进，证明了我们的敏感性和硬度引导的数据采集方法对许多 NLP 任务来说是有效和有益的。

May, 2022

该论文提出利用有监督和无监督学习的方式解决图像颜色增强问题，并通过参数化颜色变换技术提高了图像的质量，同时使用对抗生成网络实现了无配对数据的颜色增强。在 MIT-Adobe FiveK 基准测试上，该方法在有配对和无配对图像上都实现了最先进的结果，并通过 20 世纪早期的照片和暗视频帧的应用展示了该方法的泛化能力。

Dec, 2019

提出了基于显著性指导的图像增强的真实性损失方法，以在保持高逼真度的同时减弱干扰因素并放大感兴趣的对象，向专业摄影师提供了实现图像增强和照片清理操作的可行解决方案。

Jun, 2023

本文提出一种基于卷积神经网络的图像增强方法，通过动态滤波器学习来提高图像分类的效果，实验证明该方法在四个基准数据集中表现出较好的性能。

Oct, 2017

我们开发了 MAG-Edit，这是一种无需训练、推断阶段优化的方法，能够在复杂场景中进行局部图像编辑。MAG-Edit 通过最大化编辑标记的两个基于掩模的交叉注意力约束来优化扩散模型中的噪声潜在特征，逐渐增强与所需提示的局部对齐。大量的定量和定性实验证明了我们的方法在复杂场景中实现了文本对齐和结构保护的有效性。

Dec, 2023