该研究提出了一种将基于生成对抗网络的高质量人脸图像生成器嵌入到 U 型深度神经网络中的盲目人脸修复方法，其能更好地控制全局脸部结构、局部面部细节和背景，并在野外环境下显著提高盲目人脸修复的效果。

May, 2021

本文介绍一种使用视觉 Transformer 和卷积神经网络进行视网膜图像增强的方法，该方法建立了一个循环一致生成对抗网络，通过两个发生器和两个鉴别器进行图像转换，通过测量实验结果，该方法成功地减少了模糊、噪声、光照干扰和色彩失真的负面影响，同时显着保留了结构和颜色信息。

Mar, 2023

本文提出了一种名为 Restoration Transformer 的有效 Transformers 模型，通过几个关键设计，使其能够捕捉长距离像素交互，同时仍适用于大图像，在图像去噪、去模糊和降雨方面达到了最先进的效果。

Nov, 2021

本研究提出了一种基于数据要素导向的方法，通过利用基于提示的学习来实现单模型高效处理多种图像退化任务，结合卷积神经网络和 Transformer 模块的属性对高质量图像修复进行建模，并引入特征融合机制来改善聚合特征，所得到的 CAPTNet 架构能够处理不同类型的退化情况，在大量实验证明与专门的算法相比具有竞争性的表现。

Sep, 2023

本文提出了一种利用预训练人脸 GAN 中不同先验知识的 GFP-GAN 盲目人脸修复方法，其通过创新的通道分离空间特征变换层将生成式人脸先验纳入人脸修复过程，达到真实性和保真度之间的良好平衡。与 GAN 反演法相比，GFP-GAN 能够通过单个前向传递联合修复面部细节并增强颜色。大量实验表明，我们的方法在合成和实际数据集上比现有技术具有优越的性能。

Jan, 2021

该论文提出了 iWarpGAN 方法，利用两种转换通路（身份转换路径和风格转换路径）解耦虹膜图像中的身份和风格，生成具有身份和风格变异的合成虹膜图像，并使用合成数据增强深度学习算法的性能。

May, 2023

本文介绍了一种有效利用生成对抗网络 (DGP) 捕获的图像先验的方法，它可以恢复各种退化图像中缺失的语义信息，还可以进行多样化的图像操作，通过松弛现有的 GAN 反演方法的假设，允许生成器以渐进的方式进行微调，并在 GAN 中的鉴别器处获得的特征距离作为正则项。这些易于实现和实用的改变有助于保持重构，使其保持在自然图像流形中，从而可以更准确、更忠实地重构真实图像。

Mar, 2020

该研究介绍了 GANformer—— 一种高效的 transformer 类型，探索其在视觉生成建模任务中的应用。它通过双分图结构实现图像间的长距离相互作用，并保持线性计算效率，能够轻松扩展到高分辨率综合，并展示了 State-of-the-art 的图像质量和样本多样性，同时具备快速学习和更好的数据效率。

Mar, 2021

本论文主要研究了低层级计算机视觉任务（如去噪、超分辨率和去雨等），并开发了一种新的预训练模型 —— 图像处理变压器（IPT），通过 ImageNet 基准测试产生大量的损坏图像对，训练 IPT 模型并成功地在不同的图像处理任务上产生了良好的结果。

Dec, 2020

使用基于生成对抗网络的合成虹膜图像生成技术进行全面评估，旨在为培训和测试虹膜识别系统和攻击检测器提供真实和可用的虹膜图像。该综述分析了不同模型生成的图像在真实性、唯一性和生物特征实用性方面的优缺点，以发展稳健的虹膜匹配器和攻击检测器。

Apr, 2024