本文提出了一种使用生成对抗网络来探索残留图像和亮度估计的 RIS-GAN 框架，以粗到细的方式生成间接阴影去除图像，其通过三个鉴别器来检测负残留图像、阴影去除图像和反向亮度图的真假，实验表明该方法在阴影去除上表现优异而且无需特定的阴影感知组件。
Nov, 2019
通过构建一个新的数据集，本文针对云遮挡导致的地球影像质量下降问题，提出了一种适用于不同区域、季节和云覆盖度变化的新型云去除模型，并在两个性能指标上进行了评估。
Sep, 2020
该研究对短期（预测时间少于30分钟）太阳能预测的数据集进行了综合调查，并开发了基于八个维度的多标准排名系统，以评估调查的数据集。同时，介绍了与阳光能预测相关的其他研究领域和使用这些数据集的不同应用。
Nov, 2022
本文介绍了一种名为UnCRtainTS的多时空云去除方法，它是基于一种新颖的注意力机制和一种多元不确定性预测公式的组合。在两个公开的云去除数据集上，它取得了最新的图像重建技术实时性能，并展示了这种方法如何通过精准控制重建质量来提高不确定性预测的准确性。
Apr, 2023
通过DiffCR框架，利用深度卷积网络和条件引导扩散，实现了高性能的卫星光学图像云去除，与之前最佳方法相比，参数和计算复杂度只有5.1%和5.4%。
Aug, 2023
通过比较基础的Vision Transformer(ViT)模型与基准的条件生成对抗网络(CGAN)模型在时间序列的多光谱卫星图像上进行缺失值插补的性能，我们评估了插补准确性和语境保留，使用了结构相似性指数和绝对均值误差等定量评估指标以及定性的视觉分析。
Apr, 2024
该论文介绍了一种利用深度神经网络模拟空间变异卷积的新框架，为天文图像去模糊的效率和准确性带来突破；通过对具有空间不变点扩散函数的图像数据集进行训练，并验证了其适用于空间变异条件，该方法在传统方法上具有显著突破，将卷积模拟器用作太阳图像的多目标多帧盲去模糊算法的前向模型，避免了分块整合技术所带来的伪影现象，从而在处理时间上具有重大的计算优势。
May, 2024
本文是对深度学习为基础的单幅图像阴影去除方法进行全面调查的第一篇论文，综述了之前的研究、性能比较以及可能的未来发展方向。
Jul, 2024
本研究解决了由于云层遮挡造成的太阳能发电间歇性的问题，提出了一种新颖的深度学习方法来提升未来天空图像的分辨率。研究的主要贡献在于开发了一种优化的变形方法，以改善云层在地平线附近的预测能力，从而提高了长期时间范围内的太阳辐射预测准确性。
Sep, 2024
本研究解决了云层遮挡太阳所带来的太阳能发电不确定性问题，提出了一种新颖的光学系统，能够在广阔视野内提供均匀的天空影像分辨率。通过设计一种算法，结合气象数据，研究表明该系统能够在数十分钟内准确预测太阳遮挡和辐照度，显著提高了预测的准确性。