该研究提出了一种基于非局部稀疏性的深度卷积神经网络去噪范式，结合了卷积神经网络和非局部滤波器，证明了在大型灰度图像数据集上具有最先进的性能。

Mar, 2018

本文提出了基于截断展开的分解卷积滤波器（DCFNet）神经网络，使用预设基进行卷积滤波器的分解，通过扩展系数的学习来减少可以训练的参数和计算量，并通过基截断来加强滤波器的规律性。实验证明，DCFNet 可以在减少模型参数的同时，保持图像分类任务的准确性，尤其是在使用 Fourier-Bessel 基时效果显著，理论分析表明，DCFNet 对于输入的变化有较好的表示稳定性，并且经验观察与理论分析是一致的。

Feb, 2018

InverseFaceNet 是一种基于深度卷积反渲染框架的新方法，可以实时地从单个输入图像中同时估计人脸的姿态、形状、表情、反射和照明，通过利用深度神经网络训练，结合实时的外观编辑和重新照明等高级处理技术，实现了高质量、高度还原的人脸重建。

Mar, 2017

针对深度学习图像分类模型易受恶意注入噪声的对抗攻击，本文基于深度图像先验提出了一种新颖有效的重建防御框架，并且分析和明确地将模型决策过程纳入了防御范畴，通过倒推清晰的 “干净样本”，最终构造出一幅可以被正确识别的图像，实验表明，在白盒、防御感知攻击下，该方法表现出优异的防御效果且重建图像的视觉质量较高。

Jul, 2021

设计了一种新的深度网络，通过混合模糊逻辑和深度学习模型，在不降低准确性的情况下提高了透明性，并通过模糊逻辑的透明性推导出解释性的显著性图。

Aug, 2023

文章提出了一种利用联合 CRF 和卷积神经网络解决单个图像预测深度图和本征图的方法，该方法命名为联合卷积神经场模型 (JCNF)，该方法在单图深度估计和本征图分解两个任务上均超越了现有方法。

Mar, 2016

本文引入一种深度法线滤波网络（DNF-Net）来进行网格去噪，该网络能够从局部 patch 中提取数据以更好地捕捉局部信息，并通过多尺度特征嵌入单元、残差学习策略和深度监督联合损失函数实现去噪，相比于以往的数据驱动型网格去噪方法，DNF-Net 无需人工特征输入且能够更好地利用训练数据，在合成和现实扫描网格上的实验表明了其优越性。

Jun, 2020

本研究提出了一种学习性方法，基于卷积神经网络构建联合滤波器，该算法可以选择性地传输与指导和目标图像一致的重要结构，验证表明该联合滤波器在抑制噪声或增强空间分辨率方面具有有效性，并且具有与现有最先进方法相当的性能。

Oct, 2017

本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

Jan, 2019

通过使用预测过滤器和深度特征级语义过滤方法，提出了一种双路径合作滤波模型（DCF），以增强图像恢复的效果，并在三个具有挑战性的图像完成数据集上进行的实验表明，DCF 优于现有方法。

Apr, 2023