- 超高分辨率图像处理的进展与趋势概述
本文介绍了超高清图像的增强技术和应用领域，并对其未来发展趋势进行了简要探讨。
- 迈向超低成本智能手机显微镜
COVID-19 疫情爆发揭示了家庭健康监测技术工具的不足，而最近的研究表明智能手机作为一种通用光学显微成像平台具有潜力。本文提出了一种超低成本的智能手机显微镜解决方案，通过设计一个类似跷跷板的结构，进行焦距调整并使用学习方法对图像进行增强 - 基于小波变换的频散调整与频域信息交互在水下图像恢复中的应用
介绍了一种名为 WF-Diff 的新型水下图像增强框架，利用频域信息和扩散模型的特性，通过 Wavelet-based Fourien information interaction network (WFI2-net) 和 Frequen - CLIP 引导的图像感知式提示学习用于图像增强
通过结合 CLIP 模型和相对简单的基线方法，我们提出了一种称为 CLIP-LUT 的简单结构，用于图像增强，并证明该方法能够获得令人满意的结果。
- 将图像处理统一为视觉提示问题回答
我们提出了一个名为 PromptGIP 的通用模型，通过视觉提示式问答范式统一了多样化的图像处理任务，消除了特定任务微调的需求。该方法提供了通用且适应性强的解决方案，可用于图像处理中的跨领域任务，包括图像恢复和图像增强。
- 双摄像头联合去模糊去噪
近期的图像增强方法展示了使用一对长曝光和短曝光图像进行低光摄影的优势。我们提出了一种新颖的双摄像头方法，通过同时使用一个摄像头捕捉一组同步的短曝光图像和另一个摄像头捕捉的长曝光图像，实现了更好的去噪、运动感知去模糊以及进一步提升质量的效果。
- UnitModule：用于水下对象检测的轻量级联合图像增强模块
我们提出了一个插拔式的水下联合图像增强模块 (UnitModule)，可以为检测器提供所需的输入图像，并且通过无监督学习提高 UnitModule 与检测器之间的交互效果。在水下图像的不同色偏情况下，UnitModule 通过配合的色偏损失 - 基于 Transformer 的扩散模型的非均匀采样用于跳跃策略的水下图像增强
通过在水下场景中使用扩散模型进行图像增强的方法，本文提出了一种方法。我们的方法利用水下图像和高斯噪声作为输入，采用条件降噪扩散概率模型生成相应的增强图像。此外，为了提高扩散模型中的反向过程的效率，我们采用了两种不同的方式。我们首先提出了一种 - MM无畏光亮度适应：一种用于曝光校正的宏观 - 微观 - 分层变压器
通过使用 Macro-Micro-Hierarchical transformer 来处理曝光问题，该方法结合了宏观和微观的特征提取并具有层次结构，通过对不同尺度的误差逐层修正，同时使用对比度约束来提高图像质量，从而在曝光修正以及图像增强方 - IndGIC：低照度条件下的监督动作识别
在这篇论文中，我们提出了一种使用深度多输入网络的行为识别方法，并且还提出了一种独立伽马强度校正（Ind-GIC）来增强贫光照视频，通过生成一个伽马值来提高增强性能。通过与现有方法的评估和比较，实验结果表明我们的模型在 ARID 数据集上取得 - CDAN：用于低光图像增强的卷积稠密注意力引导网络
该研究论文介绍了 Convolutional Dense Attention-guided Network (CDAN) 的工作原理和应用，在低光照条件下通过图像增强技术改善了图片的亮度、对比度和整体感知质量，并证明了其在计算机视觉任务中具 - 低质量夜晚图像中的自动招牌识别
通过应用改进的 MIRNet 模型和 Yolov4 模型，本文解决了低光、噪声和模糊条件下交通标志识别的挑战，并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected]，对于广泛类别的 GTSDB 数据集达到了 100% 的 m - 视觉皮层的几何学及其在图像修复和增强中的应用
基于受视觉皮层 V1 启发并赋予 rototranslation 群 SE (2) 一个次黎曼结构，我们提出了一种基于次椭球扩散的图像修复和增强算法。通过我们称之为 WaxOn-WaxOff 的过程，我们创新性地改进了 Citti、Sart - MM一种基于物理知识引导的水下图像增强的泛化动态模型
通过物理知识引导的动态模型，通过对海洋影像的大气、透射和先验进行动态卷积、自适应参数提取和多尺度特征提取，实现对水下图像的普遍增强。
- WaterFlow: 启发式归一化流用于水下图像增强与更多应用
为了改善水下图像的可见性并提高实际应用效果，我们提出了一种探测驱动的启发式标准化流水线水下图像增强方法 WaterFlow。通过可逆映射将退化图像转化为清晰图像，并结合环境光和介质透射系数等启发式先验来优化数据驱动映射过程。此外，引入了检测 - 太空碎片：深度学习图像增强是否是解决方案的一部分？
通过研究验证了深度神经网络在可见光谱单眼相机拍摄的太空图像中克服了限制和图像伪影，解决了模糊、曝光问题、对比度不足和噪声等问题，并证明其在太空相关图像的纠正方面具有潜力，值得进一步减少计算复杂性的研究。
- 使用生成对抗网络的语义图像补全与增强
语义修复，图像完成，图像增强，生成对抗网络 (GAN)，图像质量。
- 物理感知的半监督水下图像增强
该研究提出了一种新颖的物理感知双流水下图像增强网络（PA-UIENet），该网络利用物理学基础的水下图像形成模型（IFM）和深度学习技术进行水下图像增强任务，并采用受 IFM 启发的半监督学习框架来解决数据不足的问题。该方法在降解估计和水下 - ICCV通过无监督分解和增强点云照明的 NeRF
该论文介绍了一种名为低光线神经光辐射场（或 LLNeRF）的新方法，通过一种无监督的方式，将场景表示增强，并直接从 sRGB 低光线图像中合成正常光照的新视图。该方法能够通过学习辐射场的分解，提高照明效果、减少噪声和更正失真的颜色，从而产生 - ICCV基于迭代扩散模型的真实人脸恢复与扩展
基于去噪扩散模型的迭代学习人脸修复系统（IDM）能够实现真实的人脸修复，具有优秀的性能，同时对图像生成任务也有帮助。