本文提出了一种新的数据采集技术，通过 beam-splitter 捕获相同场景的低分辨率和高分辨率图像进行训练预处理，提出包含 11,421 对低分辨率高分辨率图像的数据集，展示了该数据集如何显著提高超分辨率技术在现实世界图像上的质量。

Apr, 2020

提出了一种在移动设备上的混合变焦超分辨率的有效系统，通过捕捉一对同步的广角镜头和望远镜头拍摄的图像，并利用机器学习模型将细节从望远镜头转移到广角镜头，进一步提出了自适应混合方法以解决景深不匹配、场景遮挡、流动不确定性和对齐误差问题，并通过在真实情景下进行广泛评估，与最先进的方法进行比较，以在移动平台上 500ms 内生成一张 1200 万像素的图像。

Jan, 2024

使用双摄像头系统，通过图像融合方法，最大限度地利用来自 T 图像的像素以减少闲置区域，提高输出图像质量。

Dec, 2023

近期的图像增强方法展示了使用一对长曝光和短曝光图像进行低光摄影的优势。我们提出了一种新颖的双摄像头方法，通过同时使用一个摄像头捕捉一组同步的短曝光图像和另一个摄像头捕捉的长曝光图像，实现了更好的去噪、运动感知去模糊以及进一步提升质量的效果。

Sep, 2023

提出了一种用于多摄像头智能手机的模糊处理框架，利用混合成像技术，通过同时捕捉来自智能手机的长曝光广角图像和超广角连拍图像，并使用清晰的连拍图像估计模糊核进行广角图像的去模糊处理。使用创建的 HCBlur 数据集进行网络的学习和评估，该数据集包含模糊的广角图像、清晰的超广角连拍图像以及它们的清晰广角图像对应物。通过广泛的评估，结果显示出了现有技术的高质量。

Dec, 2023

我们设计了一个基于光学分束器的混合光场成像原型，可以同时记录 4D 光场图像和高分辨率的 2D 图像，并生成混合光场数据集。然后，我们提出了一种基于无监督学习的超分辨率框架，利用混合光场数据集自适应地解决具有复杂退化模型的光场空间超分辨率问题。我们的方法在实验证明了与基于监督学习的最先进方法具有相同的优势。据我们所知，这是光场成像研究中第一种端到端无监督学习的空间超分辨率方法，其输入可以从我们的基于光学分束器的混合光场系统中获得。硬件和软件的结合有望在很大程度上促进光场超分辨率的应用。

Feb, 2024

提出了一种基于深度学习的缝合模型，采用弱监督学习机制训练，实现对多个鱼眼图像的 360 度输出，通过色彩一致性校正、畸变校正和图像融合实现，其训练采用感知损失和 SSIM 损失函数，在两个真实的缝合数据集上进行了有效性验证。

Sep, 2022

本文提出了一种新的 All-in-Focus (AIF) 照片综合方法，旨在通过智能手机主（广角）和超广角相机之间的拍摄，从一个场景的一次拍摄中生成清晰的 AIF 照片，并介绍了一个预测和细化网络方法来减轻挑战，并提出了动态频域对齐技术进行颜色校正。通过构建包括 2686 个独特场景数据集来验证 EasyAIF 方法，此方法可以高质量地生成 AIF 照片，并在定量和定性上优于已有的基线方法。

Apr, 2023

通过利用互补的传感器信息，雷达和相机融合系统具有为高级驾驶员辅助系统和自动驾驶功能提供高度鲁棒可靠的感知系统的潜力。最近相机基于物体检测的进展为鸟瞰特征图的雷达相机融合提供了新的可能性。本文提出了一种新颖而灵活的融合网络，并在两个数据集（nuScenes 和 View-of-Delft）上评估其性能。我们的实验结果表明，虽然相机分支需要大量多样化的训练数据，但雷达分支更受到高性能雷达的影响。使用迁移学习，我们改善了较小数据集上相机的性能。我们的结果进一步证明了雷达相机融合方法明显优于仅相机和仅雷达的基线模型。

Sep, 2023

该研究提出了一种新颖的基准交通灯数据集，包括用于训练和测试的图像和视频，还提出了一种使用双摄像头输出的后处理算法，可以在速度和准确性之间取得平衡，以便自动驾驶汽车可以安全地在城市和半城市道路上导航。

Sep, 2022