本文提出了可训练的图像信号处理框架，通过使用智能手机拍摄 RAW 图像，可以生成 DSLR 画质的图像，其中使用了色彩条件 ISP 网络和优化的参数色彩映射，在设计具有高效全局上下文模块的颜色预测网络的同时，使用了鲁棒的遮蔽对齐损失函数。同时推出了 ISP in the Wild（ISPW）数据集，并在两个数据集上取得了新的最先进的结果。

Mar, 2022

通过统一多种相机模型的学习，提出了一种新颖的管线 Uni-ISP，利用设备感知的嵌入技术和特殊的训练方案，提高了逆向 / 正向 ISP 的性能，并解锁了多种新应用。同时，通过构建一个真实的 4K 数据集，证明了 Uni-ISP 在逆向 / 正向 ISP 方面的精确性以及其对新相机模型的适应性。

Jun, 2024

该研究提出了一种混合模型和数据驱动的 ISP 技术，实现了 RAW 和 RGB 域的双向映射和参数学习，通过基于字典的数据增强方法，在 RAW 图像重建和去噪任务中实现了最先进的性能。

Jan, 2022

通过采用 ParamNet 这一新颖的神经网络模块来利用相机参数，我们提出了 ParamISP，一种用于 sRGB 和 RAW 图像之间的前向和反向转换的基于学习的方法，通过给定的 EXIF 数据中提供的相机参数，将其转换为特征向量来控制 ISP 网络。大量实验证明，与以前的方法相比，ParamISP 实现了更出色的 RAW 和 sRGB 重建结果，并且可以有效地应用于各种应用，例如数据集合成、RAW 去模糊、HDR 重建和相机之间的传输。

Dec, 2023

通过直接处理原始图像，设计了一个适用于训练原始传感器数据模型的逼真退化管道，以实现在原始领域盲目图像超分辨率，并提出了一个新的数据集和基准

Dec, 2023

研究表明，使用 PyNET 可以使用单个端到端深度学习模型取代复杂的手工设计相机 ISP 解决方案，实现精细图像恢复，并将移动相机传感器直接获得的 RAW Bayer 数据转换为使用专业高端 DSLR 相机采集的相片，无需了解特定的移动 ISP 实现。

Feb, 2020

现代智能手机相机中，图像信号处理器（ISP）是将传感器的原始读数转换为用户可感知的 RGB 图像的核心元素。我们提出了一个可以捕捉全局上下文信息的模块，并利用该模块构建了一个高效且简单的神经 ISP，实现了对不同基准测试集的全分辨率真实智能手机图像的最新成果。

Apr, 2024

本文提出了一种新的计算原始 HDR 数据形成管道并构建了第一个实际的原始 HDR 数据集 RealRaw-HDR，开发了一种轻量级高效的 HDR 模型 RepUNet，通过提出即插即用的运动对齐损失方法，解决了短曝光和长曝光图像之间的动作对齐问题，并在视觉质量和量化指标方面实现了最先进的性能。

Jun, 2023

在低光条件下进行物体检测仍然是一个具有许多实际应用的具有挑战性但重要的问题。我们提出了一种名为 GenISP 的最小神经 ISP 管线用于机器认知，它将颜色空间转换明确地融入到独立于设备的颜色空间中，以提高对未见的相机传感器的泛化性，同时与任何物体检测器配对。

May, 2022

手机相机图像处理中 RAW 转 sRGB 映射是一项重要的研究领域，现有方法往往忽视了手机 RAW 图像和单反相机 RGB 图像之间的差异，我们提出了一种名为 FourierISP 的新型神经 ISP 框架，该方法通过在频域内独立优化图像的风格和结构，使得色彩和结构同时得到增强，广泛的数据集评估表明我们的方法达到了最先进的效果。

Jan, 2024