该研究提出了一种 Retinex-based 阴影模型和 ShadowFormer 转换器网络，通过多尺度通道的注意机制和 Shadow-Interaction Module 中的 Shadow-Interaction Attention 对阴影和非阴影区域之间的全局联系进行建模。经验证，该方法在三个常用的公共数据集中实现了最先进的性能。

Feb, 2023

该论文回顾了 NTIRE 2024 年低光图像增强挑战，突出了提出的解决方案和结果，旨在发现在处理各种条件时能够生成更明亮、更清晰和更具视觉吸引力结果的有效网络设计或解决方案，包括超高分辨率（4K 及以上）、非均匀照明、逆光、极端黑暗和夜景。这个挑战共有 428 名参与者注册，最终有 22 个团队提交了有效的作品，本文详细评估了低光图像增强领域的最新进展，反映了这一领域的重大进步和创造力。

Apr, 2024

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

提出一种以用户为中心的快速、交互式、强大和高质量的阴影去除方法，采用基于动态学习的检测方法及前沿用户指导的笔记，并采用归一化框架来实现阴影去除。此外，该论文还提供了第一个验证的和多场景类别的真实数据集，以及阴影去除算法的最全面比较和在线数据集的平台。

Aug, 2016

该研究论文总结和回顾了关于象限雷达移除的 MIPI 比赛。共 120 名参赛者成功注册，并且 11 个团队在测试中提交了结果。该比赛中开发的解决方案在夜间象限的去除方面取得了最先进的性能。本文提供了该比赛中开发的所有模型的详细描述。

May, 2023

本文提出一种利用对抗训练和基于物理学的约束从而只使用阴影和非阴影区域进行阴影去除，可以应用于视频阴影去除的方法，该方法在我们提出的视频阴影去除数据集上的表现优于现有方法。

Aug, 2020

本文介绍了 NTIRE 2022 感知图像质量评估（IQA）挑战赛，该挑战赛旨在解决感知图像处理算法的 IQA 新挑战和通过 PIPAL 数据集使用完全不同于传统失真的算法输出图像。该挑战分为两个轨道，一个是类似于以前的 IQA 挑战的全参考 IQA 轨道，另一个是专注于无参考 IQA 方法的新轨道。该挑战已有 192 和 179 个参赛者注册，其中有 7 和 8 个参赛者提交了他们的模型和实验报告。几乎所有参赛者的结果都优于现有的 IQA 方法，获胜算法表现卓越。

Jun, 2022

MIPI 2024 的研究论文总结和回顾了夜间光斑去除问题，并介绍了该挑战的参与者情况和最终结果。

Apr, 2024

该论文旨在回顾 NTIRE 2020 关于真实图像去噪的挑战， 着重介绍新引入的数据集 SIDD+、 提出的方法以及其结果，展示在 Bayer-pattern rawRGB 和标准 RGB（sRGB）颜色空间中对图像去噪的性能进行量化评估的两个赛道，其中参赛者达到了约 250 人。22 支队伍采用了 24 种方法进行比赛，参赛团队提出的方法代表当前针对真实噪声图像的图像去噪中的最新技术表现。

May, 2020