本研究提出了一种深度递归网络模型，即 MemNet，用于图像去噪、超分辨率和 JPEG 去块等图像恢复应用，该模型使用适应性学习过程明确挖掘不变性和连续性，具有优异的性能表现。

Aug, 2017

本文提出一种基于反馈机制的面向难度级别泛化的深度卷积神经网络图像修复模型自动生成的算法，旨在避免 “固定” 模型对于固定难度级别的训练。实验表明，在四个图像修复任务上，本算法均优于传统训练和课程学习替代方案。

Dec, 2016

本文介绍了一个新颖的 CNNs 图像恢复架构，名为 MIRNet，该架构具有多尺度残差块、多分辨率卷积流、空间和通道注意力机制、基于注意力的多尺度特征聚合等关键特征，能够同时维护高分辨率精确表达和从低分辨率表示中获得强有力的语境信息。实验结果表明，MIRNet 在图像去噪、超分辨率和图像增强等多项任务中取得了最先进的结果。

Mar, 2020

本研究提出了一种基于编解码器网络的多层扩展框架，探究了不同网络结构对图像修复任务的影响，并与其他最先进方法进行了性能比较。关键词包括图像修复、深度学习、编解码器网络、网络结构和性能比较。

May, 2019

通过自适应生成负样本的创新方法，我们提出了一种称为 “根据历史学习” 的适应性负样本生成方法，名为 Self-Prior guided Negative loss for image restoration (SPNIR)。我们的方法是任务不可知和通用的，与任何现有的图像修复方法或任务兼容。通过使用 SPNIR 重新训练现有模型，我们展示了方法的有效性。结果显示，在各种任务和架构中，使用 SPNIR 重新训练的模型在图像修复方面取得了显著的改进。

Sep, 2023

我们提出了一种全能多退化图像恢复网络 (AMIRNet)，通过聚类逐步构建树状结构，学习未知退化图像的退化表示，并利用特征转换模块 (FTB) 弥补领域差异，从而实现从各种未知失真中恢复高质量图像的目标。

Aug, 2023

该研究提出了一种名为 MPRNet 的多阶段架构，使用编码器 - 解码器架构学习上下文信息和高分辨率分支，结合像素自适应设计重新加权本地特征，从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡，该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。

Feb, 2021

研究使用检索增强模型来提高计算机视觉任务的识别能力，引入了一种基于注意力机制的记忆模块，学习从外部记忆集合中检索出的每个例子的重要性，证明了使用 10 亿个图像 - 文本对的大规模记忆数据集的好处，并在 ImageNet-LT，Places-LT 和 Webvision 数据集中取得了最先进的准确性。

Apr, 2023

通过在卷积残差网络中引入长短时记忆机制，增强了记忆机制加强卷积神经网络的性能，使得该方法在 CIFAR-100 基准测试上优于其他最先进的技术，并且在 CIFAR-10 和 SVHN 基准测试上与之相当，而且相比于深度相当的深度残差神经网络，网络宽度更大，深度更小，总体计算量更少。

Jun, 2016

本篇论文提出一种深度神经网络结构来平衡网络延迟、内存使用率、模型参数和重建质量等因素，有效地提高了暗光环境下的图像增强处理，尤其适用于边缘设备如嵌入式系统、监控摄像头、自主机器人和智能手机等。

Nov, 2020