透过针对不同频带的动态材质和动态纹理的莫尔纹理的变化，提出了一种新型轻量级构架，称为 AADNet（注意力感知莫尔纹去除网络），用于高分辨率图像的莫尔纹去除。广泛的实验证实了我们的方法的有效性，并产生了高保真的图像。

Mar, 2024

采用动态加速方法 (DDA) 和新设计的 moire prior 对漫反射现象进行实时检测和优化，以在移动设备上实现拍照质量的提高，并通过 Snapdragon 8 Gen 1 芯片在 Vivo X80 Pro 智能手机上验证了其在推理时间上的显著改善。

Feb, 2023

本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

Jan, 2023

本文设计了基于小波变换和空间注意力机制的双分支网络（WDNet），用于图像去马赛克处理，并在 Rain 100 和 Raindrop 800 数据集上优于现有的图像去雨滴方法。

Jul, 2020

本文提出了一种基于多尺度卷积网络和动态特征编码的数字传感器图像去莫尔算法，可以同时处理不同频带的莫尔，且效果超过现有技术。

Sep, 2019

通过利用原始颜色分离特征分支和空间调制，以及构建了第一个对齐良好的原始视频去莫尔（RawVDemoiré）数据集，本研究提出了一种专门针对原始输入的图像和视频去莫尔网络，并且在去莫尔图像和视频方面取得了最先进的性能。

Oct, 2023

该论文回顾了 ICCV 2019 的图像去莫尔挑战，并提供了有关所提出的解决方案及其结果的详细信息，该挑战集中研究了两个不同的轨道，即针对保真度的轨道和针对感知质量的轨道，共有八个团队参与。

Nov, 2019

本文讨论了 NTIRE 和 CVPR2020 共同举办的图像去莫尔雾化挑战，分为单幅和爆发式两类不同的图像去莫尔雾化问题，评估了 14 个和 6 个不同方法的还原图像的质量，探讨了在图像和爆发式去莫尔雾化问题中现有领先的技术。

May, 2020

本文讨论了解决图像去莫尔纹的问题。与现有学习基于成对真实数据的研究不同，我们尝试从不成对的真实数据，即与无关的清晰图像相关联的莫尔纹图像中学习去莫尔纹模型。为了实现这一目标，我们将真实莫尔纹图像分成小块，并按照其莫尔纹复杂性进行分组。我们引入了一种新颖的莫尔纹生成框架来合成具有多样莫尔纹特征的莫尔纹图像，这些特征与真实莫尔纹补丁相似，并且具有类似真实无莫尔纹图像的细节。此外，我们引入了一种自适应降噪方法来排除对去莫尔纹模型学习产生负面影响的低质量伪莫尔纹图像。我们在常用的 FHDMi 和 UHDM 数据集上进行了大量实验证明，我们的 UnDeM 在使用现有的去莫尔纹模型如 MBCNN 和 ESDNet-L 时表现更好。

Jan, 2024

本文提出了一种针对超高清图像去莫尔纹的方法，首次建立了 UHDM 数据集并在其中进行了基准研究，提出了一种有效的基准模型 ESDNet，其中包括语义对齐的尺度感知模块以解决莫尔纹图案的尺度变化问题，实验证明该方法在性能和效率方面优于当前领先的方法。

Jul, 2022