本文提出了一种基于数据项和光滑项的 Robust Guided Image Filtering（RGIF）通用框架，旨在解决引导图像与目标图像之间的结构不一致性以及目标图像中噪声的问题。该模型可同时去噪目标图像和执行对噪声具有鲁棒性的 GIF 操作，并具有良好的边缘保持平滑处理效果。通过提出的迭代加权最小二乘法（IRLS）方法来解决高度非凸问题，进一步开发基于数据驱动的参数优化方案，以适当确定模型中参数。

Mar, 2017

本文介绍了一种对引导滤波器的简单加速方法，通过采用子采样技术将其时间复杂度从 O (N) 优化到 O (N/s^2)，使其在图像编辑等实际应用中获得了较高的速度和可用性。

May, 2015

本研究提出了一种新的受结构保护的引导性视网膜图像滤波方法（SGRIF），该方法可以有效地恢复降质的视网膜图像，并可用于辅助计算机支持的诊断方法，提高视杯分割和杯盘比率测量的准确性。

May, 2018

本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。

Mar, 2018

通过同时考虑特征和图像级别的引导融合，我们提出了一种 Simultaneous Feature and Image Guided Fusion (SFIGF) 网络用于图像导向恢复任务，该网络结合了传统的引导滤波机制和深度学习方法，旨在同时恢复图像的上下文信息和细节信息。

Dec, 2023

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

本文提出了一种基于深度学习和引导滤波的高效图像抠图方法，称为归纳引导滤波，可在移动设备上实现实时的一般图像抠图任务，并在复杂纹理的图像抠图中使用 Gabor 损失进行网络训练。实验结果表明，我们的方法大大减少了运行时间并保证了良好的准确性。

May, 2019

本文提出了一种 Guided Interpolation Framework （GIF）框架，该框架利用前一轮 epoch 的 meta 信息来引导数据插值，达到提高可攻击性数据的比例从而增强鲁棒性、减少模型各类之间的线性关系、鼓励模型在每个类别簇中不变地进行预测的目的。实验证明，GIF 确实可以在各种 Adversarial Training 方法和各种数据集上增强对抗鲁棒性。

Feb, 2021

本文提出了一个非凸非光滑优化框架，其核心在于引入了截断的 Huber 惩罚函数来实现不同的平滑化效果，并展示了该方法在图像平滑处理中的有效性和优越性能。

Jul, 2019

本文提出了一种两阶段的一体化方法 Deep Atrous Guided Filter (DAGF)，旨在校正 Under Display Cameras（UDC）系统中由于光衰减和衍射效应导致的图像失真问题，并通过模拟方案进行预训练模型并提高性能。该方法通过在低分辨率网络使用多个并行腐蚀卷积来保留空间分辨率，从而实现在兆像素图像上的直接训练，取得了较大的性能提升。在 RLQ-TOD'20 UDC Challenge 上，本方法在 POLED 和 TOLED 显示器中排名第二和第五。

Aug, 2020