通过优化图像增强、检测框集成、去噪集成、超分辨率模型和迁移学习等方法，将 YOLOv7 目标检测器应用于 CDCOCO 数据集，实现了在不同环境中对失真图像的准确检测和修复。该去噪检测模型在各种真实场景中具有广泛的应用价值。

Sep, 2023

本文提出了一种称为 DeepCorrect 的方法，通过对权值进行微调，修正深度神经网络中感受野受损图像变形的问题，该方法显著提高了网络的鲁棒性和性能。

May, 2017

我们提出了第一个通用框架，用于自动纠正单个输入图像中不同类型的几何畸变。我们的方法采用卷积神经网络（CNN），通过使用大型合成畸变数据集进行训练，以预测扭曲图像和校正图像之间的位移场。模型拟合方法使用 CNN 输出估计畸变参数，实现更准确的预测，并使用高效，高质量的重采样方法生成最终的校正图像。实验结果表明，我们的算法优于传统的校正方法，可实现有趣的应用，如畸变转移，畸变夸张和共同发生的畸变校正。

Sep, 2019

本论文针对基于 egomotion 的模糊图像在目标检测中的困难，探讨了图片去模糊、纹理多尺度处理、标签生成、针对运动模糊的条件处理等五种方法，发现自定义标签生成能明显提高目标检测的效果，同时针对特定类型的运动模糊训练模型也能获得显著提高。通过在 COCO 数据集和真实世界数据集上实验，最终得到了一个易于实现并且具有优秀检测率的模型。

Nov, 2020

本文提出了一个粒子滤波框架，通过明确地减少分布差异来有效解决图像生成中出现的目标缺失和图像质量问题。实验证明，我们的方法可以在各种图像生成任务中有效纠正目标缺失错误并提高图像质量。

Dec, 2023

本研究提出了一种端到端多环境协作深度神经网络，用于从单个鱼眼图像中消除畸变，采用深度学习方法自动估计畸变参数并构建合成数据集进行训练，实验表明，在合成和真实数据集上，该模型明显优于当前最先进的方法。

Apr, 2018

该论文提出了一种基于归一化流异常检测器的方法来自适应摄像机参数，小规模研究表明，根据这种超出分布检测器调整相机参数可以导致 YOLOv4 目标检测器的 mAP、mAR 和 F1 性能指标平均增加 3 至 4 个百分点。作为辅助结果，该论文还表明可以在 COCO 数据集上训练用于分布检测的归一化流模型，该数据集比大多数分布检测器的基准数据集更大更具多样性。

May, 2023

通过使用卷积网络架构和野外实拍数据集，文章提出了一种用于图像去模糊的方法，达到了最先进的性能并解决了复杂背景下的物体遮挡问题。

Jan, 2017

该研究探讨了利用自信学习算法来改善训练数据集的质量，通过发现原始训练数据集中的错误标签，可以消除其根源上的错误样本并重新标注可疑的边界框来提高数据集的质量，最终提高目标检测算法的性能。

Nov, 2022

本文旨在探讨预训练模型在输入图像扭曲时是否会出现偏向性。通过对四个深度人脸识别模型在图像扭曲下不同性别和种族子群的表现进行系统分析，我们发现图像扭曲与模型在不同子群之间的性能差距存在关联。

Aug, 2021