本文研究了基于深度神经网络的知觉度量，用于评估图像质量，提出了一种多分辨率知觉量度（MR-Perceptual），在不同分辨率上聚合知觉信息，并在不同图像畸变的 IQ 任务中表现优于标准知觉量度。

Feb, 2022

本论文提出使用一个深度卷积神经网络直接推断相机标定参数，其优于各种其他方法，包括最近的基于深度学习的方法，并通过人类感知研究展示其实用性。

Dec, 2017

本文介绍了一种基于卷积神经网络的 Deep Shading 方法，通过学习示例图像生成给定像素属性的外观，模拟了屏幕空间中的各种影响，提高了交互式图像合成的视觉质量和速度。

Mar, 2016

通过新的基于深度学习的方法，我们可以预测人眼在得到图片时可能出现的感知误差，这种方法可以更好地模拟人类感知系统对失真图像的认知。

Jun, 2018

本文提出了一个名为 CompenNet 的卷积神经网络，可以通过端到端的学习来解决投影变形失真的问题，并提出了一个新的独立于系统设定的评估方法来验证其性能。实验结果表明，该方法优于现有技术。

Apr, 2019

本文旨在探讨 SI-HDR 重建评估中存在的问题，并提出了统一标准以进行有效的比较，同时指出深度学习方法的提高并不一定能够反映出视觉上的优越性，呼吁对 SI-HDR 重建进行更好的评估协议。

Aug, 2021

我们提出了第一个通用框架，用于自动纠正单个输入图像中不同类型的几何畸变。我们的方法采用卷积神经网络（CNN），通过使用大型合成畸变数据集进行训练，以预测扭曲图像和校正图像之间的位移场。模型拟合方法使用 CNN 输出估计畸变参数，实现更准确的预测，并使用高效，高质量的重采样方法生成最终的校正图像。实验结果表明，我们的算法优于传统的校正方法，可实现有趣的应用，如畸变转移，畸变夸张和共同发生的畸变校正。

Sep, 2019

通过使用 better calibrated to human perceptual judgments of image quality: the multiscale structural-similarity score (MS-SSIM) 进行训练而不是使用 pixel-wise loss (PL)，提出了更好的 perceptually-optimized methods，已被证明在三种不同的自动编码器中表现更好，可以在图像分类和超分辨率成像方面为计算机视觉带来极大的潜力。

Nov, 2015

本研究介绍了一种使用深度神经网络学习图像相似度度量的方法，该方法采用 “连体” 结构体系，可以统一学习颜色特征、纹理特征和度量。论文还比较了不同数据集上训练和测试结果，结果表明该方法在人员再识别方面性能显著优于现有方法。

Jul, 2014

该论文介绍了一种基于神经渲染的深层结构，可以在实时中进行补全、超分辨率、去噪，取得高质量图像，适用于虚拟和增强现实头盔，大大改善了用户的使用体验。

Nov, 2018