该论文提出了一种用于图像融合的端到端深度卷积神经网络，通过收集大规模高质量的训练数据，能够更好地捕捉复合图像的背景和前景的上下文和语义信息，实验表明，所提出的网络优于以往的方法。

Feb, 2017

通过使用预先训练的分类网络，提出了一种新的体系结构来利用高级特征空间以实现图像和谐的目的，并在图像和谐基准测试中取得了 MSE 和 PSNR 指标的最新成果。

Jun, 2020

本研究介绍了一种在内在图像领域中制定的自我监督照明协调方法，通过估计中级视觉表征生成的大体阴影，再通过网络对其进行修正以生成与背景场景一致的协调再阴影，结合先前协调方法的思想，在色调域中执行参数化图像编辑，实现前景与背景的颜色外观匹配，并通过挑战性实际复合结果和用户研究验证我们方法的有效性和与最先进的协调方法相比增强的真实感。

Dec, 2023

给定一个复合图像，图像协调旨在调整前景照明与背景一致。我们展示了使用全局信息指导前景特征转换可获得显着改善，并将前景 - 背景关系从真实图像转移到复合图像，为转换的编码器特征提供中间监督。此外，我们贡献了一个模拟自然照明变化的 ccHarmony 数据集。对 iHarmony4 和我们贡献的数据集进行了大量实验证明了我们方法的优越性。

Aug, 2023

本文提出了一种深度图像基于的照明和谐 GAN 框架 (DIH-GAN)，该框架通过应用多尺度注意机制和照明交换策略直接推断插入前景物体与相应背景场景之间的映射关系，同时使用对抗学习策略进一步优化照明和谐效果；通过综合实验验证了 DIH-GAN 在图像对象照明和谐编辑方面的实用和有效性，并证实了其在现有方法中的优越性。

Jul, 2021

该论文介绍一种名为 iHarmony4 的图像和谐数据集，以解决图像合成和谐化的挑战。该数据集基于现有的 COCO、Adobe5k、day2night 等数据集，并增加了 Flicks 图像以丰富数据样本。

Aug, 2019

本文介绍了一种基于深度学习的图片和谐方法 DoveNet，在 COCO、Adobe5k、Flickr 和 day2night 这些数据集上生成了一组 iHarmony4 数据集。我们提出了一种先进的新颖的领域验证鉴别器，使前景能够被翻译成与背景相同的领域。在所构建的数据集上大量实验表明，我们提出的方法是有效的。

Nov, 2019

本研究提出了一种基于深度学习的图像和谐网络，采用背景引导域转换的方式，通过背景信息对前景进行调整，实现了高质量的图像合成。

Sep, 2020

本研究提出了一种高分辨率图像融合网络，其中结合了像素到像素变换和 RGB 到 RGB 变换，通过低分辨率像素生成器、颜色映射模块和细化模块进行协同工作，旨在解决高分辨率图像合成中的多个问题，且效果明显。

Sep, 2021

本文提出了一种分层动态网络 (HDNet) 用于图像和谐处理，该网络通过局部动态和面具感知全局动态，从本地到全局视角自适应模型参数和特征改变，以实现更好的特征转换和全局调和。

Nov, 2022