通过使用Fisher信息的层级图像表示，我们比较了视觉敏感度和各种图像表示之间的关系。我们发现VGG16的早期层比人类感知和一个训练基于人类评分的图像质量的4阶级卷积神经网络匹配度更高，简单的早期视觉处理模型比CNN或任何VGG16层的组合更好地预测了人类的敏感度。

Oct, 2017

本篇论文提出了一个基于深度学习的图像纠正技术，能够有效去除近距离人像照片中透视失真等伪像，同时还能自动推断遮挡的面部特征，该方法不需要先配合三维面部模型，并且可以显著提高人脸识别和三维重建的准确度，实现单幅肖像图像的相机标定。

May, 2019

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

本文探讨深度视觉表示能力在不同类型图像畸变中的表现，通过分析不同深度神经网络层所提取的特征，证明不同网络层具备分离不同畸变类型的能力，并评估特征在图像质量评估和畸变特征和严重性级别刻画上的应用，结果表明深度视觉表示具有有效地表征各种图像畸变的能力。

Feb, 2020

本文提出了一种基于变压器的新型模型DarSwin，可以自适应宽角镜头所产生的畸变，并对各种畸变进行了零样本适应。与其他基线相比，DarSwin在中度和高度畸变水平下获得了最佳结果，并且在低度和非常低度的畸变水平下与现有技术相媲美。

Apr, 2023

本文提出一种方法来塑造一个鱼眼特定的表示空间，以反映这种数据模态中存在的畸变和语义上下文之间的相互作用，该方法向模型提供了关于畸变和语义上下文之间相互作用的学习方法，并应用于目标检测任务中，从而在平均精度上实现了1.1%的性能提升，并超过了其他现有的表征学习方法0.6%的 性能。

Apr, 2023

通过引入两个变形自适应模块和学习关系矩阵，我们提出了一种基于Transformer的模型(DATFormer)来解决360°数据投影导致的特征失真问题，并在三个公开数据集上的实验中证明了该模型在2D和360°突出物检测任务上的优越性。

Aug, 2023

利用深度学习管道，同时对一系列畸变图像进行对齐和重构，并通过Swin Transformer模型分析顺序图像数据，通过注意力图检测相关图像内容并与离群值和伪影区分开来，利用神经特征图作为经典关键点检测器的替代方法，从而提供稠密图像描述符以寻找图像间的点对应关系，并运用此来计算粗略的图像对齐并探索其局限性。

Oct, 2023

使用摄像机校准来改变卷积核并适应畸变，使得卷积的感受野类似于透视图像中的标准卷积，从而提高在深度估计和语义分割中校准鱼眼镜头网络的性能。

Feb, 2024

本研究解决了现有单图像超分辨率模型在使用像素回归损失时，产生模糊图像和细节丢失的问题。文章提出了一种将多目标优化引入超分辨率模型训练的新方法，以平衡感知质量与失真，通过自动调整损失函数的权重来优化图像质量评估指标，显著提高了感知质量与失真之间的平衡，推动了图像恢复领域的研究进展。

Sep, 2024