本文研究了在低光照条件下使用 burst-capture 拍摄策略，使用基于循环卷积神经网络的智能集成方式进行多帧图像去噪处理。经实验证明，该方法在图像去噪方面具有最优表现，并且也可以用于图像增强和超分辨率处理。

Dec, 2017

本文介绍了一种新颖的方法来对手持相机拍摄的图像进行细微对齐。与传统的技术不同，该算法通过优化每个像素的摄像机运动、表面深度和方向来建立密集对应关系。这种方法改善了在具有视差挑战的情况下的对齐效果。通过对具有小型或短小基线的合成连拍进行广泛实验证明，在该环境中，该方法优于当今最佳的光流方法，而且无需任何训练。除了改进对齐效果，我们的方法还为深度估计和 3D 重建等其他图像处理任务打开了新的可能性，并取得了有希望的初步结果，使我们的方法成为各种连拍图像处理应用的多功能工具。

Dec, 2023

本文介绍了一种基于迭代卷积网络的低质量图像拍摄技术，该技术利用爆发式拍摄的图像帧进行高质量图像的恢复和去噪，并在爆发式拍摄流程中进行了多项改进，方法展现出稳定的性能，不受帧数、顺序等限制。

Nov, 2018

本文提出了一种技术，用于联合去噪从手持相机拍摄的一连串图像。特别地，我们提出了一个卷积神经网络体系结构，用于预测空间变化的核对齐和去噪，一种基于真实噪声形成模型的合成数据生成方法，以及通过一个退火损失函数指导的优化，以避免不良的局部最小值。我们的模型在真实数据和合成数据的宽范围噪声水平上与现有技术相匹配或表现优越。

Dec, 2017

该研究提出了一种新颖的 Burst Image Restoration 方法，使用伪爆发特征相互交换信息，通过快速匹配、多尺度的上下文信息和自适应聚合，还原高质量图像。与现有方法相比，该方法表现出最先进的性能，可用于爆发超分辨率、爆发低光图像增强和爆发去噪任务。

Oct, 2021

本文提出了一种新的粗到细的神经网络架构，通过采用多张暗光照片进行融合并利用学习来处理图像，从而在极低光条件下提高图像质量

Jun, 2020

该研究使用神经辐射场方法处理像素错位和噪声问题来提升拍摄设备的图像质量和降噪能力。

Apr, 2022

本篇论文提出了一种使用卷积神经网络从镶嵌图像直接学习去马赛克，而不需要真实 RGB 数据的方法，并应用于从 RAW 图像中学习联合去马赛克和去噪的技术，进一步证明 Fine-Tuning 带来的优势。

May, 2019

本论文提出了基于深度神经网络的多核预测网络（MKPN）来进行突发图像去噪，通过预测不同大小的核并将这些不同核的融合得到每一个像素的核，可有效提取不同信息实现更好的重建，实验结果表明 MKPN 方法在不同噪声级别的合成数据集上优于现有方法。

Feb, 2019

本文提出了一种基于递归全卷积网络（RFCN）的方法，处理在极低光条件下拍摄的连拍照片，通过端到端处理实现降噪、色彩校正和增强，取得了优于现有方法的效果。

Apr, 2019