通过使用线性光照转换建模阴影效应，提出了一种深度学习方法，使用 SP-Net 和 M-Net 来预测阴影参数和阴影遮罩，并采用修补网络 I-Net 进一步优化结果，在 ISTD 数据集上测试表明，在阴影区域方面，我们的方法比现有方法提高了 20％，同时提出了一种基于补丁的弱监督阴影去除方法，并引入了一个用于评估阴影去除方法的视频数据集 SBU-Timelapse。

Dec, 2020

本文提出了使用解释输入图像的方法来学习内在图像分解，在单个图像上执行反射、形状和光照条件的预测。该网络利用无监督重建误差信号来提高中间表示的质量，使得大规模未标记数据在训练中有用，并且能够将所学知识应用于不同的对象类别、光照条件和形状的图像上。实验结果表明，该方法对内在图像分解和知识传递均表现出色。

Nov, 2017

本研究提出了一种基于深度学习的去除影子方法，通过线性照明转换模拟影子的形成，使用 SP-Net 和 M-Net 网络分别预测影子的参数和阴影掩层，通过在 ISTD 数据集上训练，相比其他方法取得了 40％的错误率降低并使用扩充的 ISTD 数据集进一步优化了效果。

Aug, 2019

利用深度学习管道，同时对一系列畸变图像进行对齐和重构，并通过 Swin Transformer 模型分析顺序图像数据，通过注意力图检测相关图像内容并与离群值和伪影区分开来，利用神经特征图作为经典关键点检测器的替代方法，从而提供稠密图像描述符以寻找图像间的点对应关系，并运用此来计算粗略的图像对齐并探索其局限性。

Oct, 2023

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

该研究提出了一种基于机器学习的单幅图像固有分解方法，采用 siamese 训练方案进行深度卷积神经网络的训练，实现未标注图像的分解，同时提供了新的渲染数据集和评价指标。

Mar, 2018

本文尝试用图像序列的方法学习单视角内在图像分解，并利用多图像信息进行训练，未使用任何基准数据集。我们提出了一个基于此想法的新的学习框架，并介绍了新的 loss 函数，该方法在多个数据集上具有良好的泛化性能。

Apr, 2018

该研究提出了一种使用 3D 渲染的数据增强方法，以产生更接近于实际世界情境的图像失真。这种数据增强方法可用于训练和评估图像对齐和伪影去除等多种任务，并且可应用于任何现有的数据集以改进任何现有方法的特征学习能力。

May, 2023

我们提出了一种用于将图像分解为自动发现的对象模型层的无监督学习框架，其中包含可学习的对象原型、参数化函数、图像形成模型等组成部分，尝试实现对真实图像进行对象分类和实例参数辨识的目标，并在多个标准数据集上验证了其有效性。

Apr, 2021

本文提出了一种名为 Decomposer-Composer 的新型神经网络结构，用于基于语义结构的 3D 形状建模，采用自编码器技术，在嵌入空间上进行分解 - 合成操作，并通过引入显式的学习部分变形模块，使得该网络能够实现部件级的形状操作，具有较高的性能表现。

Jan, 2019