本文针对超高清（UHD）图像降雨的问题，提出了一个大规模的 UHD 图像降雨数据集 4K-Rain13k，包含 13,000 个 4K 分辨率的图像对。在此基础上，我们对处理 UHD 图像的现有方法进行了基准研究。此外，我们开发了一种有效且高效的视觉 MLP 架构（UDR-Mixer）来更好地解决这个问题。通过广泛的实验结果表明，我们的方法在性能上优于最先进的方法，同时保持较低的模型复杂性。

May, 2024

为了克服缺乏大规模高质量配对训练样本对真实图像除雨（RID）过程的阻碍，本研究构建了包含 3000 个视频序列和 100 万帧高分辨率（1920*1080）图像配对数据的大规模高质量真实雨数据集（LHP-Rain）。该数据集的优势有三个方面：具有更高多样性和更大规模的雨，高分辨率和高质量的合成图像。此外，研究提出了一种新颖的鲁棒低秩张量恢复模型用于生成更好地分离静态背景和动态雨的基准数据，并设计了基于 Transformer 的简单单幅图像除雨算法，通过自注意力和跨层注意力实现图像和雨层的辨别特征表示。大量实验证明了所提出数据集和除雨方法在最新研究中的优越性。

Aug, 2023

在本文中，我们通过合成两个大规模的 UHD 数据集（UHDRR4K 和 UHDRR8K），对六种最新的 SIRR 方法在 UHD 图像上的效果进行了综合评估，讨论了这些方法在 UHD 图像上的优缺点，并提出了一种基于 Transformer 架构的 RRFormer 来进行反射去除。实验证明，RRFormer 在非 UHD 数据集和我们提出的 UHDRR 数据集上均取得了最先进的性能。

Aug, 2023

该研究论文系统回顾了现有的图像去雨方法，并提供了统一的评估设置以评估其性能，同时构建了一个高质量的基准和一个在线平台，以便进行大规模性能评估。

Oct, 2023

本文介绍了我们团队在 CVPR 2023 UG$^{2}$+ Track 3 GT-Rain Challenge 中的解决方案，提出了一种高效的两阶段框架，利用低秩视频去雨方法生成伪 GT，再加以改进，使用大规模真实雨数据集进行预训练并在伪 GT 上进行微调，最终采用全面的图像处理器模块，我们的整体框架设计精心并能够处理在测试阶段提供的重雨和雾气序列。在平均结构相似性 (SSIM) 上获得第一名，在平均峰值信噪比 (PSNR) 上获得第二名。

May, 2023

通过粗略的图像对齐和像素混合以及在粗略的 HDR 视频的特征空间中进行更复杂的对齐和时间融合，我们提出了一种基于深度学习的 HDR 视频重建框架，并提出了一个新的 HDR 视频重建数据集和一些优化方法。

Mar, 2021

本文介绍 $L^{2} RIRNet$ 神经网络，旨在实现同时处理低光和降雨的任务，此外还提出了两个有效工具 —— 快速傅里叶 - ResNet 的细节引导模块和低光 - 雨图像合成与真实数据集。

May, 2023

本文提出了一个基于 U-Net 的编码器 - 解码器深层网络模型用于单幅图像去雾。该模型通过逐步特征融合，直接从观察到的有雾图像到去雾地面真实的高度非线性变换函数。在两个公共的图像去雾基准测试中，该模型在 GPU 的高效内存使用下能够令人满意地恢复超高清分辨率模糊图像，达到了顶尖水平。

Oct, 2018

本文提出一种针对在全面屏幕手机上拍摄失真的相机图像进行高效的深度学习修复的方法，并给出了在不同方法上的性能和运行时间的比较结果。该模型使用操作次数更少，具有竞争力，并且从效率和生产角度分析了实际单张图像修复问题。

Nov, 2022

提出了一个大规模真实世界的高动态范围（HDR）视频重建基准数据集 Real-HDRV，其中包含 500 个低动态范围（LDR）- 高动态范围（HDR）视频对，结合了全天候、室内和室外等各种场景，提出了一种使用新型的两阶段策略进行全局和局部对齐的端到端网络，实验结果表明，在真实场景中，该方法超越了之前的最先进方法。

Apr, 2024