在本文中，我们开发了一种数据驱动方法来对饱和像素进行建模，并提出了基于学习的潜变量映射进行非盲目去模糊处理的最大后验 (MAP) 问题，可通过迭代计算潜变量映射和潜变量图像来有效解决。为了提高去模糊图像的质量并避免加大伪影，我们开发了先验估计网络 (PEN) 来获取先验信息，并将其融入到 RL 方案中。实验结果表明，所提出的方法在合成图像和真实世界图像上在定量和定性方面都表现出色，优于现有的算法。

Aug, 2023

通过高级光场渲染方法将 Richardson-Lucy 去模糊算法扩展到 4-D 光场中，成功实现了无需深度估计即可处理 6 个自由度相机运动引起的模糊，且加入新颖的正则化项以削弱噪声和振铃，因此在 3-D 复杂场景下得到了显著的效果。

Jun, 2016

借助深度学习和经典迭代退卷积算法，本文提出了一种新颖的非盲目退卷积方法，通过预训练网络提取输入图像的深度特征，并结合迭代的 Richardson-Lucy 退卷积步骤，最终通过零样本优化过程获得高质量重建图像，加速重建并减少对计算资源的需求，并在非盲目退卷积任务的各种实际应用中展现了显著的改进。

Oct, 2023

使用深度学习方法和神经网络，本研究提出了一种通过模拟深部组织图像退化来改善显微镜图像质量的方法，并发现在每次迭代中测量图像对比度不断提高的同时，显微图像中的细节结构会逐渐被移除，因此需要在对比度改善和图像细节保留之间找到平衡。

Aug, 2023

本研究提出了一种新的本地卷积神经网络 (D4LCN)，该网络通过学习基于图像深度映射的过滤器及其响应域，克服了传统 2D 卷积的局限性，缩小了图像表达和 3D 点云之间的差距，显著提高了 3D 物体检测的性能。

Dec, 2019

通过引入新颖的亮度和色度双分支网络 (LCDBNet)，将低光图像增强分为亮度调整和色度恢复两个子任务，并使用多级小波分解学习细节敏感的特征，与其他先进算法相比，在多个参考和非参考质量评估器上取得了卓越性能。

Jul, 2023

本文介绍了两种不同的神经网络方法，用于恢复基于 P-OLED 和 T-OLED 的 Under-Display Camera 拍摄图像，前者在 ECCV 2020 挑战中获胜，后者在比赛中获得第四名。

Sep, 2020

本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。

Apr, 2018

本文提出了一种新颖高效的 CNN 框架，结合 MD 模块和多分支 U 形结构，获得了与 Transformer-based methods 相当的全局上下文特征表征，用于图像去噪，实验结果表明模型 SUMD 可在各种数据集上产生可比较的视觉质量和准确性结果。

Apr, 2022

该研究论文设计了一种基于引导网络和卷积分解的多模态特征融合方法，旨在实现在自动驾驶等机器人应用中高精度的深度图像恢复。该方法针对现代 LiDAR 传感器只能提供稀疏深度测量的问题，通过使用同步引导 RGB 图像，并从引导图像中预测核权重，以此来提取深度图像特征，该方法能够高效准确地处理深度数据恢复，具有很高的实用价值和应用前景。

Aug, 2019