本文提出了使用 RAW 和 sRGB 数据同时进行图像去莫尔纹处理的方法（RRID），通过 Skip-Connection-based Demoir'eing Module（SCDM）和 RGB Guided Image Signal Processor（RGISP）来实现，并证明该方法在莫尔纹去除和色彩修正方面具有优越表现。

Dec, 2023

使用我们最近提出的 “Shape” 概念，本文研究了光电显示器光学成像产生的非期望 Moire 图案，并提出了 ShapeMoiré 方法来辅助图像去 Moire 处理，通过在局部和全局图像级别建模形状特征，设计了一个新颖的 Shape-Architecture，实现了与现有方法的无缝集成，并在四个常用数据集上进行了实验，结果表明，ShapeMoiré 在 PSNR 指标方面达到了最先进水平，同时也在涉及智能手机摄影的实际去 Moire 场景中展现了其强大的鲁棒性与可行性。

Apr, 2024

本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

Jan, 2023

本研究提出了一种统一框架 DTNet，即一种面向方向和时间的双边学习网络，用于视频去莫尔纹。DTNet 在去莫尔纹的过程中有效地应用莫尔纹模式移除、对齐、色彩校正和细节修复等步骤，经过广泛实验证明，在峰值信噪比方面，该方法优于最先进的方法，并提供更好的视觉体验。

Aug, 2023

本文提出了一种基于多尺度卷积网络和动态特征编码的数字传感器图像去莫尔算法，可以同时处理不同频带的莫尔，且效果超过现有技术。

Sep, 2019

分析 3D 卷积在图像去马赛克模型中所存在的问题，如 Moire 伪影和过度平滑，并提出一种新的卷积方法来加强在颜色和空间维度上的信息交流，针对图像去马赛克和降噪等任务验证该方法的效果。

May, 2023

透过针对不同频带的动态材质和动态纹理的莫尔纹理的变化，提出了一种新型轻量级构架，称为 AADNet（注意力感知莫尔纹去除网络），用于高分辨率图像的莫尔纹去除。广泛的实验证实了我们的方法的有效性，并产生了高保真的图像。

Mar, 2024

采用动态加速方法 (DDA) 和新设计的 moire prior 对漫反射现象进行实时检测和优化，以在移动设备上实现拍照质量的提高，并通过 Snapdragon 8 Gen 1 芯片在 Vivo X80 Pro 智能手机上验证了其在推理时间上的显著改善。

Feb, 2023

本文设计了基于小波变换和空间注意力机制的双分支网络（WDNet），用于图像去马赛克处理，并在 Rain 100 和 Raindrop 800 数据集上优于现有的图像去雨滴方法。

Jul, 2020

本文提出了一种新型的多分辨率完全卷积网络，用于自动从照片中去除莫尔纹，该网络对输入图像进行非线性多分辨率分析，计算如何在每个频带内消除莫尔纹，该网络在 $100,000^+$ 个图像对的大规模基准数据集上实现了最先进的效果，相对于现有的图像恢复问题的学习架构。

May, 2018