本文提出了一种基于多尺度卷积网络和动态特征编码的数字传感器图像去莫尔算法，可以同时处理不同频带的莫尔，且效果超过现有技术。

Sep, 2019

本文提出了一种名为 FPANet 的模型，该模型在频率和空间域中学习滤波器，通过学习提取帧不变特征和输出更好质量的时间一致图像，改善了移除各种大小 Moire 图案的恢复质量，并用公开数据集展示了其优越性。

Jan, 2023

透过针对不同频带的动态材质和动态纹理的莫尔纹理的变化，提出了一种新型轻量级构架，称为 AADNet（注意力感知莫尔纹去除网络），用于高分辨率图像的莫尔纹去除。广泛的实验证实了我们的方法的有效性，并产生了高保真的图像。

Mar, 2024

本文提出了一种新的语义分割方法: EfficientFCN, 相较于基于 dilatedFCN 的方法，该方法既可以取得相似的高精度分割效果，又能够在计算成本上做到只有原来的 1/3，这一成果达到了一种性能和效率的平衡。

Aug, 2020

本研究提出了一种自适应融合网络，利用人脸显著区域的掩码来增强 2D 和 3D 局部特征，通过设计的调制向量自动学习，以及计算重要性权重的新型融合策略可以在卷积层中执行自适应融合。实验结果表明，该方法在 BU-3DFE 和 Bosphorus 数据集上具有最先进的性能并且需要较少的参数。

May, 2022

本研究提出了一种统一框架 DTNet，即一种面向方向和时间的双边学习网络，用于视频去莫尔纹。DTNet 在去莫尔纹的过程中有效地应用莫尔纹模式移除、对齐、色彩校正和细节修复等步骤，经过广泛实验证明，在峰值信噪比方面，该方法优于最先进的方法，并提供更好的视觉体验。

Aug, 2023

本文提出了一种新的鲁棒性编码器解码器结构的神经网络，使用少量的训练示例进行端到端的训练，通过特征融合在 Feature Pooling Module 中提取多尺度特征，实现对相机运动的鲁棒特征池化，免去多尺度输入的需求，通过 CDnet2014、SBI2015 和 UCSD Background Subtraction 数据集的实验表明，所提出的方法的整体 F-Measure 平均值优于现有所有最先进的方法。

Aug, 2018

采用动态加速方法 (DDA) 和新设计的 moire prior 对漫反射现象进行实时检测和优化，以在移动设备上实现拍照质量的提高，并通过 Snapdragon 8 Gen 1 芯片在 Vivo X80 Pro 智能手机上验证了其在推理时间上的显著改善。

Feb, 2023

本文提出了一种名为 TD-CEDN 的深度轮廓检测算法，该算法采用自上而下的完全卷积编码器 - 解码器网络，并在多尺度、多级特征学习以及前向传播阶段获得原始特征图，然后采用自下而上的方式进行解码，并使用各层次的特征进行迭代式的反卷积操作来实现基于像素级别的预测，从而取得了在 BSDS500、PASCAL VOC2012 和 NYU Depth 数据集上的最优效果。

May, 2017

本文提出了利用卷积神经网络（CNN）解决去马赛克问题的全面研究，包括实验表明 CNN 模型在 sRGB 和线性空间中同等有效，可用于任何 CFA 设计的去马赛克，并展示了自动发现的 CFA 模式和自动设计的去马赛克方法结合能够提高去马赛克结果的视觉效果。

Feb, 2018