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

DeepISP 是一个全面的端到端深度神经模型，用于照相机图像信号处理（ISP）管道，学习从原始低光马赛克图像到最终具有视觉吸引力的图像的映射，并包括去马赛克、降噪以及色彩校正等低层次任务，以及更高层次的图像调整任务。该解决方案在 PSNR 的客观评估方面实现了最先进的性能，在完整的端到端管道中，相比制造商 ISP，在主观人类评估和由用于评估图像质量的深度模型评分时具有更好的视觉质量。

Jan, 2018

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

本文介绍了一种使用未配对学习方案来调整色彩图像去噪器处理测试图像的方案，并使用学习的伪 ISP 和 rawRGB 噪声模型对真实噪声图像进行去噪，表明该方案对不同的去噪器都有效。

Mar, 2021

本论文提出了一种新的无监督学习方法 Rawformer，通过神经网络来进行不同相机之间的原始图像转换，实现了可学习的 ISP 在新的未知相机上的泛化，并在真实相机数据集上展示了优异的性能，提高了准确性并保持原始和转换后原始图像之间的更强关联。

Apr, 2024

MetaISP 是一个单一模型，旨在学习如何在不同设备间转换颜色和局部对比特征，通过轻量级深度学习技术基于设备的相关特征生成 RGB 图片，并利用受交叉协方差启发的新型注意力机制学习全局场景语义，并在场景光源不可用时利用伴随原始图像的元数据进行估计。

Jan, 2024

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

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

提出了一种名为 CameraNet 的新型框架，采用两个 CNN 模块来处理图像恢复和图像增强两个相对独立的子任务，CamaraNet 通过两个模块逐步处理恢复和增强子任务，从而取得了比传统 ISP 管线更好的重建质量。

Aug, 2019

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