这篇论文介绍了一种新颖且可解释的端到端学习框架，称为深度补偿展开网络（DCUNet），用于恢复在低光条件下捕捉的光场（LF）图像。DCUNet 设计了一个多阶段的架构，以数据驱动的方式模拟解决反向成像问题的优化过程。该框架使用中间增强的结果来估计光照图，然后在展开过程中使用该估计结果来产生新的增强结果。此外，DCUNet 在每个优化阶段包括一个内容相关的深度补偿模块，用于抑制噪声和光照图估计误差。为了正确挖掘和利用 LF 图像的独特特征，本文提出了一个伪显式特征交互模块，全面利用 LF 图像中的冗余信息。对模拟和真实数据集的实验结果定性定量地证明了我们的 DCUNet 相对于现有方法的优越性。此外，DCUNet 更好地保留了增强的 LF 图像的基本几何结构。代码将会公开在此 URL。

Aug, 2023

本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构，能够有效增强低光照条件下的图像质量，在各种图像处理和多媒体应用中具有较强的实际应用价值。

Dec, 2021

该论文提出了一种基于 PGD 算法的 Deep Generalized Unfolding Network（DGUNet）进行图像修复，通过在梯度下降步骤中集成梯度估计策略和设计跨不同 PGD 迭代中 Proximal mapping 的中间信息通路，实现对复杂和现实世界图像的修复，同时保持了透明度和可解释性。实验结果表明，该方法在各种图像修复任务中的性能、可解释性和通用性均优于现有方法。

Apr, 2022

本研究提出了一种新的 Degradation-to-Refinement Generation Network（DRGN），通过两个步骤研究自然低光图像中的 intrinisic degradation 和 diffuse illumination color loss 的问题，使其具有更好的表现和性能。

Mar, 2021

我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表现出在各种基准测试中的最先进性能。

Mar, 2024

本文提出了一种基于 Transformer 的深入展开高光谱图像去噪方法 —— 降噪 - 噪声感知展开网络 (DNA-Net), 其使用 U-Shaped Local-Non-local-Spectral Transformer (U-LNSA) 捕获了光谱相关性、局部内容和非局部依赖性。实验结果表明，DNA-Net 优于目前最先进的方法，并且噪声分布的建模对于噪声严重的情况有所帮助。

May, 2023

本文提出了一种适用于图像压缩感知的新型 DUN 网络（称为 DUN-CSNet），通过引入内容自适应梯度更新和变形不变的非局部建模，解决了现有 DUN 网络的两个问题，从而实现了更广泛的上下文先验知识的感知，大幅超越了现有的其他压缩感知方法。

Oct, 2023

提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络（DDNet），通过编码器 - 解码器结构将增强处理分为两个子任务（即颜色增强和梯度增强），实现了对颜色和边缘特征的同时增强，能够提高在低光环境下转运监控的图像处理效率和质量，并通过标准和与交通相关的数据集的评估实验证明了该方法相对于现有方法在增强质量和效率方面的优势，并在物体检测和场景分割实验中展示了在低光环境中进行高级图像分析的实际效益。

Sep, 2023

该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度

Jul, 2022

提出了一种用于全能视频修复的交叉一致深度展开网络（CDUN）方法，通过使用单一模型来移除各种不同的退化，包括一个新颖的迭代优化框架和适应性处理各种退化的序列自适应退化估计器（SADE），以及利用窗口化的帧间融合策略来扩大时域接受野和利用远距离帧的信息，该方法在全能视频修复方面取得了最先进的性能。

Sep, 2023