本研究使用 LFW 数据集，评估了 AlexNet，VGG-Face 和 GoogLeNet 三种常见的深度卷积神经网络模型在不同图像降质情况下的表现，发现遮挡、运动模糊和噪声等因素会显著降低性能，而对于颜色失真和平衡变化等影响，深度卷积神经网络表现出较好的鲁棒性。

Aug, 2016

本文通过使用野生标记人脸数据集（LFW）, 系统地研究了四种不同的深度卷积神经网络模型在面部识别任务中对图像质量、颜色信息、CNN 架构和描述符计算等不同协变量因素的影响，结果发现高噪声、模糊、缺失像素以及亮度对所有模型的识别准确性有不利影响，而对比度变化和压缩失真的影响有限，但同时发现描述符计算和颜色信息对性能没有显著影响，这对未来深度学习模型的进一步优化和改进提供了启示。

Oct, 2017

本文提出了一种新方法 ——ReDegNet，它利用真实的低质量人脸图像及其恢复的高质量图像来建模复杂的实际降级过程，并且可以将其从脸部部位转移到自然图像中用于合成低质量图像，这可以用来显著改善非脸部区域的质量，实验证明本方法优于目前的许多方法。

Oct, 2022

本文通过实验从四个不同角度：雾化、水下、运动模糊、鱼眼，探讨了深度学习神经网络中卷积神经网络在处理污损图片分类问题上的性能变化，以及使用现有计算机视觉算法删除这些污损是否可以提高分类性能的问题。

Oct, 2018

我们引入了一种新的、适应于低分辨率图像的、双阶段的、具有降级意识的框架，通过使用无监督对比学习获取图像降级的表示，并将降级意识模块集成到简化的 ControlNet 中，在各种降级情况下灵活地适应不同的降级，有效恢复更加精确和逼真的细节，表现出在各种基准测试中的最先进性能。

Mar, 2024

提出了一个更可靠的评估框架来评估在更现实的情境下学习型 deepfake 检测器的性能，并量化其对不同处理操作的鲁棒性，同时设计了一个基于真实处理操作驱动的随机退化数据增强方法，显著提高了 deepfake 检测器的鲁棒性。

Apr, 2023

探索合成人脸图像检测的实验研究。我们收集了一个称为 FF5 的数据集，包括近期的扩散模型，发现一个简单的模型在区分合成和真实图像方面能够达到近乎完美的准确率。该模型通过使用数据增强来处理常见的图像失真（降低分辨率、压缩）。此外，我们通过简单的 YOLO 架构模型识别了合成图像被修复到真实图像中的部分篡改，并定位了篡改区域。然而，该模型存在易受对抗性攻击的问题，并且对未见过的生成器无法泛化。我们还测试了最近的最先进方法在经过微调的 StabilityAI 的 Stable Diffusion 图像生成器上无法泛化来检测由新一代生成器产生的图像。

Jun, 2024

本文提出了一个用于实现真实场景下的人物再识别的降解不变性学习框架，该框架采用了自我监督的分解表示学习策略，能够同时提取身份相关的强健特征，并消除真实世界中存在的降解，同时在低分辨率图像上实现了最先进的识别效果。

Apr, 2020

本论文提出了一种新颖的方法，通过整合隐式立体信息辨别器和混合降质模型来弥补现实世界立体域中复杂降质与现实世界单幅图像超分辨率领域中简单降质之间的差异，确保有效增强并保持视差一致性。

Dec, 2023

本文提出了一种半监督的、适用于多种图像退化去除的框架，其中利用了已预训练的多个网络进行知识传递，同时使用了多粒度对比损失和生成对抗损失，该方法在去雾、去雨、去模糊等方面具有优越性。

Jul, 2023