介绍了 AIM 2022 挑战，通过建立方法和基准，该挑战旨在解决如何从对应的 RGB 图像中恢复原始传感器图像的问题，并且得到了最新的结果，这对于其他任务可以产生潜在的益处。

Oct, 2022

本文提出了一种更复杂但实用的退化模型，其中包括随机混合的模糊，下采样和噪声退化，以达到改善单图超分辨率方法的实用性的目的。实验结果表明，这个新的退化模型可以显著改善深度超分辨率方法的实用性，为真实的单图超分辨率应用提供了一种强有力的替代解决方案。

Mar, 2021

本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

Jun, 2023

为了解决超分辨率图像恢复在真实场景中的局限性，本文提出了新的数据生成管道来模拟数字相机的成像过程，并使用双卷积神经网络以及学习空间变异的颜色转换来处理原始数据，实验结果表明，在真实场景中，使用原始数据进行超分辨率图像恢复可以更好地恢复细节和清晰的结构。

May, 2019

本文提出了可训练的图像信号处理框架，通过使用智能手机拍摄 RAW 图像，可以生成 DSLR 画质的图像，其中使用了色彩条件 ISP 网络和优化的参数色彩映射，在设计具有高效全局上下文模块的颜色预测网络的同时，使用了鲁棒的遮蔽对齐损失函数。同时推出了 ISP in the Wild（ISPW）数据集，并在两个数据集上取得了新的最先进的结果。

Mar, 2022

该研究提出了一种混合模型和数据驱动的 ISP 技术，实现了 RAW 和 RGB 域的双向映射和参数学习，通过基于字典的数据增强方法，在 RAW 图像重建和去噪任务中实现了最先进的性能。

Jan, 2022

本研究提出了一个可逆的图像信号处理管线（InvISP），不仅可以呈现视觉上吸引人的 sRGB 图像，而且还允许恢复几乎完美的 RAW 数据。我们还集成了一个可微的 JPEG 压缩模拟器，使我们的框架能够从 JPEG 图像中重构 RAW 数据。大量的定量和定性实验表明，与替代方法相比，我们的方法在呈现 sRGB 图像和重构 RAW 数据方面获得了更高的质量。

Mar, 2021

对 NTIRE 2024 原始图像超分辨率挑战赛及其结果进行综述，该挑战的目标是通过 2 倍放大 RAW Bayer 图像来探索现代图像信号处理中 RAW 超分辨率的新方法。其中，参与者注册了 230 个，挑战期间提交了 45 个结果，笔者对前 5 名的表现进行了回顾，作为 RAW 图像超分辨率领域现有技术水平的指标。

Apr, 2024

通过使用真实的 RAW 传感器数据进行训练，本文表明将机器学习应用于数码变焦较为有利。作者们还展示了如何通过光学变焦图像获取高准确度的真实高分辨率图像用于训练深度神经网络，并提出了一种新的上下文双边损失（CoBi）算法，使得训练出的网络在 4 倍和 8 倍的计算缩放中实现了最佳性能。

May, 2019

现代智能手机相机中，图像信号处理器（ISP）是将传感器的原始读数转换为用户可感知的 RGB 图像的核心元素。我们提出了一个可以捕捉全局上下文信息的模块，并利用该模块构建了一个高效且简单的神经 ISP，实现了对不同基准测试集的全分辨率真实智能手机图像的最新成果。

Apr, 2024