- 水下场景中增强和目标检测的联合知觉学习
我们提出了一个双层优化方法，用于共同学习水下物体检测和图像增强，并将其展开为一个双重感知网络（DPNet）。DPNet 通过一个共享模块和两个任务子网络从两个不同任务中学习，寻求共享表示。共享表示为图像增强提供更多结构细节和物体检测提供丰富 - MEDVQA-GI 2023 中 UIST-Saviors: 基于图像增强的胃肠道可视化问题回答的多模态学习改进
结合计算机视觉和自然语言处理，提出了一种多模态学习方法来改善胃肠道图像上的视觉问答性能，通过 BERT 编码器和基于卷积神经网络（CNN）和 Transformer 架构的不同预训练视觉模型从问题和内窥镜图像中提取特征，结果显示 Trans - Multimodal SAR 到 EO 图像转换的 MultiEarth 2023 挑战中的第一名解决方案
本文介绍了一个旨在通过利用广泛时间内收集的遥感数据，对地球生态健康进行监测和分析的跨模态学习多个任务的工作坊，并提出了清洁收集器算法，以清除可能妨碍数据学习过程的因素，并对图像进行增强，最终在 SAR-to-EO 任务中实现了较好的表现。
- CAMP-Net: 上下文感知多先验网络用于加速 MRI 重建
本文提出了一种上下文感知的多先验网络 (CAMP-Net)，利用多个先验知识的互补性和混合域中相邻切片之间的数据冗余来提高 MRI 重建的图像质量。
- UIERL：水下图像增强的内外表征学习网络
本文提出了一种新的内部 - 外部表示学习（UIERL）网络，通过内部联结和外部信息交互的方式以更好地执行 UIE 任务，解决先前方法中存在的区域质量差异和互相关联的图像之间的信息利用不足的问题。
- 水下视觉单目 SLAM 挑战的调查研究
本文系统研究了单目视觉同时定位与地图构建方法在水下机器人中应用时所遇到的挑战，并探讨了环境条件对算法表现的影响，同时提出了图像增强技术来提高在极端光照和低能见度条件下的算法准确性和鲁棒性。
- 联合优化图像压缩与低光图像增强
为了在低光图像中同时实现更高的压缩率和更好的增强性能，我们提出了一个新的图像压缩框架，并对低光图像增强进行联合优化。实验结果表明，我们提出的联合优化框架相对于现有的 “压缩后增强” 或 “增强后压缩” 顺序解决方案，在低光图像中实现了显着的 - 亮通道先验关注多光谱行人检测
提出了一种新方法 “亮通道先验关注”，通过集成图像增强和检测，将可见光图像的无监督自编码器与热像图像的 HSV 图像的 V 通道作为注意图触发，逐渐强调行人特征，以改善低光条件下的行人检测，包括自注意力增强模块和检测模块，通过强化网络生成更 - SCRNet：一种基于 Retinex 结构和空间一致性的低光增强模型
该研究提出了一种新的低光图像增强模型，名为 SCRNet，在渐进式地应用空间一致性的原则下，从通道层面、语义层面和纹理层面三个层次上提高低光图像质量，比现有的最先进方法具有更好的表现。
- 金字塔纹理滤波
本论文基于高斯金字塔进行了图像纹理滤波，通过逐步上采样低分辨率的高斯金字塔层级来平滑纹理，保留主要图像结构。该方法在各种应用中表现出很好的效果，包括细节增强、图像抽象、HDR 调节、反半色调、LDR 图像增强。
- 利用维恩图的多标签分类解释糖尿病足溃疡及其色彩与清晰度增强
本文提出了一种基于 CNN 的多分类方法的 Venn Diagram 解释方法，利用不同的图像增强策略来改善多类 DFU 分类。作者将四个类别缩减为两个类别，从而更好地诠释所有四个类别。评价结果表明，该方法比现有方法表现更好，可用于更健壮的 - 低光图像增强的快速轻量级网络
本研究介绍了 FLW-Net，一种用于低光图像增强的快速轻量级网络，可同时解决噪声、低亮度、低对比度和颜色偏移问题。我们采用全局特征信息提取组件和基于相对信息的损失函数设计来提高处理速度和效果，并进行了比较实验以证明其有效性。
- ECCVD2HNet: 面向夜间图像恢复的分层网络联合去噪和去模糊
本研究提出了基于深度学习的夜间图像融合和增强方法，使用 D2HNet 架构可从多张不同曝光时间的照片中恢复出一张高质量、清晰无噪的夜间图像。经实验证明，在真实拍摄的夜景照片上，该方法可获得极佳的视觉效果和量化分数。
- 深度图像恢复和增强先验知识全知识：一项调查
本文是第一篇对 DL 中使用的先验进行系统研究和分析的综述性文章，包括深度图像恢复和增强的理论分析和结构分类、每种先验的原理和应用的深入讨论、未来方向以及提供所有提到的文献和代码链接的开源仓库。
- CVPRAdaInt: 用于实时图像增强的学习自适应区间的 3D 查找表
本文提出了 AdaInt（自适应区间学习）方法，它通过自适应学习非一致采样间隔，使 3D 查找表能够在需要高度非线性转换的颜色范围内进行密集采样，而在近线性转换方面进行稀疏采样。实验结果表明，与传统方法相比，具有 AdaInt 的方法可以在 - MyStyle: 个性化生成先验
本文介绍了 MyStyle，这是一种使用少量照片训练的个性化深度生成先验的方法，其可以重建、增强和编辑特定人物的图像，生成的图像忠实于人物的关键面部特征。通过少量照片我们可以调整预训练的 StyleGAN 面部生成器的权重，形成一个本地的、 - AAAI适用于恶劣天气条件中的对象检测的图像自适应 YOLO
提出了一种新的图片自适应 YOLO (IA-YOLO) 框架，采用可微分的图像处理 (DIP) 模块设计实现，从而提高在逆境气象条件下的对象检测性能，并且在弱监督学习的情况下，联合学习 CNN-PP 和 YOLOv3。实验结果表明，在雾天和 - 在极低光照条件下，通过夜间物体检测数据集更仔细地研究检测
本文针对低光环境下目标检测存在的困难，提出了一个高质量大规模的夜间目标检测数据集及其数据集子集的实例级注释，分析了低光条件对于机器认知的困难，并提出了一个用于优化机器认知的图像增强模块以及两种新颖的数据增强技术，实验结果证实该方法在低光数据 - 语义引导的零样本低光图像 / 视频增强
本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。
- 利用正则化流进行低光照图像增强
本文提出利用正则流模型建立低光图像与正常曝光图像之间的一对多映射关系，通过一个可逆网络，将低光图像 / 特征作为条件，学习将正常曝光图像的分布映射到高斯分布，从而得以更好地建模正常曝光图像的条件分布，在提高图像亮度、减少噪声和伪影、增强色彩