波前随机化改善去卷积
本文提出了一种 PSF 感知的即插即用深度网络，通过引入特定镜头的深度先验知识，以消除光学像差，从而实现了通用和灵活的光学像差校正方法，该方法具有高效的性能。
Apr, 2021
本研究提出了一个基于模型的优化框架，用于从加工样本的空间频率响应中构建代理相机，进而为训练基于学习的算法提供光学畸变和随机制造偏差的合成数据对，并利用超扩张全方位动态卷积来纠正制造降解，从而实现全面的计算摄影。
May, 2023
本研究提出了一种用于恢复因光学像差导致的图像退化的实用方法，通过基于我们提出的光学点扩散函数模型的成像模拟系统，生成特定设备的成像结果，并在合成数据对上设计空间自适应网络模型，消除了大量拍摄和注册训练数据的开销。实验结果表明，该方法成功地消除了空间变异模糊和色散，并具有更低的计算开销和便于转移到当前商业相机。
May, 2023
使用卷积神经网络直接从两到三个相位多样性光学图像中预测泽尼克系数，对光学像差进行表征，以实现快速准确的相位多样性方法，为真实数据集的评估铺平了道路。
Apr, 2024
本研究提出了一种基于深度学习的图像去模糊与降噪算法，应用于显微镜下的细胞和组织图像重建中，与现有方案相比具有更好的表现和低计算复杂度。同时，也成功解决了泊松图像去模糊问题。
Nov, 2019
本文提出了一种先验量化模型来改正图像处理中的光学畸变，并用可学习编码书将各种先验信息编码成潜在空间，经过量化后，将先验编码与图像恢复分支进行融合，以实现有针对性的光学畸变纠正。综合实验证明了该方法的灵活性和潜力，并验证了其在固定相机上完成目标修复的能力。此外，本模型承诺分析各种先验信息与设备光学畸变之间的相关性，有助于联合软硬件设计。
May, 2023
针对图像复原中存在的多种可能解决方案，本文提出了一种基于条件扩散模型的盲去模糊方法，使用确定性预测器和随机采样器产生多个可能的重建结果，相比现有技术在图像感知质量上有了显著提高。
Dec, 2021