本文提出了一种生成包含散射耀斑和对称反射背景的散斑恶化数据对的方法，可用于提高散斑去除算法的效果和评估方法。

Jun, 2023

通过机器学习和数据合成技术，我们能够第一次成功地训练神经网络来去除镜头光晕，从而对各种不同模式的光斑进行了更加准确的去除。

Nov, 2020

通过合成先验引导的 Flare7K * 数据集，该研究提出了一种自适应聚焦模块（AFM），可在处理多个散射耀斑时适应性遮罩清晰区域，实验表明该数据合成方法能更好地模拟真实场景并取得了最先进的性能。

Mar, 2024

镜头光晕是一种常见的图像伪影，可以显著降低图像质量并影响计算机视觉系统的性能。本调查综述了镜头光晕的多方面领域，包括其基本物理、影响因素、类型和特征。研究了光晕形成的复杂光学机制，涉及镜头系统内部反射、散射、衍射和色散等因素。探讨了光晕的各种类型，包括散射、反射、眩光、球体和星芒等。分析了形状、颜色和定位等关键属性。讨论了影响光晕出现的众多因素，包括光源属性、镜头特性、相机设置和场景内容。调查广泛涵盖了用于光晕去除的各种方法，包括硬件优化策略、经典图像处理技术和使用深度学习的基于学习的方法。描述了为训练和评估目的创建的开创性光晕数据集以及它们的创建方式。探讨了常用的性能度量指标，如 PSNR、SSIM 和 LPIPS。突出了光晕复杂且数据相关特征带来的挑战。调查提供了最佳实践、限制和有希望的未来发展方向，以便进行光晕去除研究。通过审视最新的技术发展，可以深入了解光晕现象的固有复杂性和现有解决方案的能力。这可以为处理镜头光晕伪影和提高各种应用的视觉质量提供信息和灵感。

Oct, 2023

本文介绍了 Flare7K++ 数据集和端到端管道，提供了消除夜间人工光源伴随光晕的可靠方法，并在此任务上推动前沿。

Jun, 2023

提出了一种使相机镜头内的反射光和光源呈现对称的全新方法来精确定位和移除影响相片质量的反射光，并创建了首个大规模反射光数据集 BracketFlare，通过该数据集可以训练神经网络来有效地移除反射光。

Mar, 2023

在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知，它将颜色空间转换明确地融入到独立于设备的颜色空间中，以提高对未见的相机传感器的泛化性，同时与任何物体检测器配对。

May, 2022

本研究提出了一个基于计算的方法，自动检测和去除光晕点假象，该方法基于光晕点的本质特性进行表征，定义了一种新的置信度量来选择光晕点候选者并给出了一个确定光晕区域的方法，然后利用基于样本的修补法来去除所检测的假象。我们的算法在定量和定性方面都取得了顶级性能。

Mar, 2021

通过数据驱动方法和深度神经网络，学习相机处理管道，将短曝光、低光原始传感器数据转换为高曝光 sRGB 图像，从而显著提高了极低环境光下捕获图像的视觉质量。

Apr, 2019

本文提出了一种处理光场图像的流程，使用增强后的处理 RAW 图像提取子孔径图像，使用最近的颜色转移算法进行色彩校正，最后使用最先进的光场降噪方法进行降噪处理。这种方法提高了光场的质量，减少了鬼影现象和噪音，并在子孔径图像之间提取了更准确，更均匀的颜色。

Aug, 2018