通过强化学习学习控制相机曝光
本研究探索了一种数据驱动的方法，通过训练一个深度卷积神经网络模型以预测性地调整相机增益和曝光时间参数，从而实现在光照变化下得到最佳图像质量，以用于视觉测距和视觉同时定位和映射。研究通过实验验证了该方法的优越性。
Feb, 2021
本论文提出了一个基于深度神经网络的可控相机模拟器，能够在不同的相机设置下合成原始图像数据，包括曝光时间、ISO、光圈等，并且能够用于大光圈增强、HDR、自动曝光和数据增强等多个应用领域。同时，也是第一个利用传统原始传感器特征和数据驱动深度学习优势模拟相机传感器行为的尝试。
Apr, 2021
本论文提出了一种基于神经网络的图像重新曝光框架，其包括视觉潜在空间构建的编码器、聚合信息到神经胶片的重新暴露模块和将神经胶片‘转化’成所需图像的解码器，并且将事件流和注意力机制应用于其中，以在统一的框架中解决快门策略带来的问题。
May, 2023
本文介绍了一种基于 Retinex 理论的视频曝光校正方法，通过构建配对的视频数据集，并利用多流照明学习机制对过曝和欠曝进行增强来提高视频的质量，实验结果表明，该方法在图像曝光校正和欠曝视频增强方面优于现有方法。
Feb, 2024
本研究提出了一种基于深度学习的自动修饰系统，该系统使用强化学习方法学习如何根据用户喜好风格对输入图片进行不同的修饰操作，从而避免了获取成对的训练数据。与其他深度学习系统不同的是，该系统提供了可理解的修饰结果，而不仅仅是黑盒子结果，定量比较和用户研究证明该技术的修饰结果与提供的照片集相一致。
Sep, 2017
该研究论文介绍了一种基于学习的系统，通过使用基于 Transformer 的深度神经网络来减少低动态范围相机在处理宽动态范围输入时经常出现的局部过曝问题，同时不需要复杂的曝光交替或昂贵的处理来实现高动态范围成像。研究采用了多尺度深度神经网络，并使用合适的代价函数进行训练以达到现有技术水平的质量。通过引入过去的参考帧作为额外输入，帮助重建过曝区域，利用自动曝光中常见的暂时不稳定性，训练了一个决定是否将当前帧作为未来参考帧的参考帧选择深度神经网络。因此，无需交替曝光，得到了一种因果关系的潜在应用于常见视频采集环境的高动态范围幻影算法。
Aug, 2023
为了解决 Autoexposure (AE) 算法在光线变化等复杂环境中的问题，研究人员捕获了一个包含移动物体、明亮光源和变化光照等要素的新的 4D 曝光数据集，并设计了一个软件平台，使 AE 算法能够与该数据集配合使用。通过使用这个数据集，研究人员对几种现有 AE 策略进行了评估，结果显示在挑战性光照条件下，大多数用户偏好简单的显著性方法。
Sep, 2023
提出了一种名为 EBSNet 的深度神经网络，它可以自动选择曝光多次以进行多曝光融合，无需相机响应函数，传感器噪声模型和带有不同曝光的预览图像流。通过从单个自动曝光预览图像中提取的亮度和语义信息，EBSNet 可以选择最佳曝光时间以进行多曝光融合。
May, 2020
本文提出一种基于视觉的控制新的挑战性基准，用于分析在多种视觉干扰和复杂性环境下的强化学习算法，结果表明当前视觉控制强化学习方法在复杂性视觉干扰下表现不佳，需要新的方法来应对现实世界的视觉复杂性。
Jan, 2021