- 利用感知损失改进图像自编码器嵌入
本文从编码器嵌入的角度研究了感知损失的三个不同计算机视觉数据集的图像嵌入，发现与基于元素损失训练的自动编码器相比，基于感知损失训练的自动编码器生成的嵌入可以更准确地预测对象定位和分类。
- CVPR使用知觉球上的对抗扰动解释分类器
本文提出了一种基于视觉损失的对敌对扰动的简单正则化方法，用于解释图像分类器中的图像分类。这种半稀疏的扰动可以突出对象和感兴趣区域，使其与背景明显不同。通过在多个可解释性基准测试中进行评估，包括局部化、插入删除和指向游戏，证明了感知正则化反事 - SMART：骨骼运动动作识别攻击
提出了一种名为 SMART 的方法，通过创新的感知损失攻击依赖于 3D 骨架运动的动作识别器，该方法在白盒和黑盒场景中都很有效，且具有广泛的推广性和多样性，并且证明 3D 骨架运动的对抗攻击与传统的对抗攻击问题存在明显的差异。
- 可控的文本到图像生成
该论文提出了一种新颖的可控文本到图像生成对抗网络 (ControlGAN)，它能够有效地合成高质量图像并根据自然语言描述控制图像的生成。该方法采用词级空间和通道注意力机制对不同的视觉属性进行分离，并通过词级鉴别器提供细粒度的监督反馈，使生成 - ICCVSROBB：针对单幅图像超分辨率的目标感知损失
利用像素级的知觉损失优化高分辨率图像的生成，本研究使用基于深度卷积神经网络的解码器进行优化，通过对不同语义级别的标签惩罚来提高性能并考虑到背景和边界的纹理相似性，得到更逼真的纹理和更锐利的边缘，实验表明此方法的效果优于现有的其他算法。
- CVPR具有自我正则化和多样性的全自动视频着色
本文提出了一种全自动的视频着色方法，该方法结合自我正则化和差异性。通过双边和时间空间中定义的自我正则化损失，可以训练颜色分化网络和空间临近颜色调整网络，该方法在感知损失和差异性的帮助下区分了多种解决方案的模式。实验结果表明，该方法的表现优于 - 事件相机实现高速和高动态范围视频
本文提出了一种使用循环网络从事件流中直接学习重建图像的方法，并在此基础上扩展到从事件流合成彩色图像的方法，实验证明该网络在处理高速现象和挑战性照明条件下具有较好的图像质量和高动态范围重建，并作为事件数据的中间表示进行了分类和视觉惯性积分导航 - CVPR基于失缺分离表征的无监督特定领域模糊修复
本文提出了一种无监督单图像去模糊方法，基于解缠表示学习，使用内容编码器和模糊编码器来分离模糊图像中的内容和模糊特征，并通过 KL 散度损失函数来规范提取的模糊属性的分布范围，同时添加模糊分支和循环一致性损失来处理不成对的训练数据，生成视觉逼 - 使用语义引导生成对抗网络将热成像映射到可见光人脸图像
本研究提出使用语义引导生成对抗网络（SG-GAN）从热成像中自动生成可见光人脸图像，并通过多种不同的损失函数进行控制以实现更好的可视化效果和性能，从而在多光谱人脸图像识别领域取得了有希望的结果。
- 自动字体生成的金字塔嵌入式生成对抗网络
该论文提出了一种名为金字塔嵌入生成对抗网络（PEGAN）的方法，使用像素损失、发生器损失、类别损失和感知损失来训练生成器和判别器模型以自动生成汉字图像。实验结果表明该模型可以自动扩展小型字库。
- ECCV学习盲视频时间一致性
本文利用深度递归神经网络，结合短期、长期以及感知上的损失，为视频处理提供了一种基于帧的将原始视频和处理后的视频作为输入，生成时间上连贯的视频的方法，实现了对多种需求的处理，且无需光流计算，具有实时性能。
- SRPGAN：单图像超分辨率视觉生成对抗网络
本文介绍了一种使用 Charbonnier Loss 函数构建内容损失，并将其与提出的感知损失和对抗性损失相结合的超分辨率感知生成对抗网络 (SRPGAN) 框架，能够更好地重建具有高频细节和清晰边缘的高分辨率图像。与其他现有模型相比，该模 - ICCV自适应可分离卷积实现视频帧插值
本文提出了一种使用一对一维卷积核将视频帧插值建模为本地可分离卷积的方法，使用深度卷积神经网络对图像特征进行训练，从而实现了高质量的视频帧插值，无需人工标注。
- ICLR计算机视觉中的人类感知
本文研究计算机视觉、深度神经网络（DNN）、人类视觉感知和无体系结构视觉学习之间的联系，并发现 DNN 计算可用于估计感知损失，并与有趣的理论观点一致，即人类感知的特性是视觉学习无体系结构的结果。
- EnhanceNet: 自动纹理合成的单图像超分辨率
该研究提出了一种基于自动纹理合成及感知损失的单张图像超分辨率增强方法，利用卷积神经网络实现前馈学习与对抗训练相结合，取得了高效、有效的成果。
- 视觉上令人愉悦的压缩伪影减少的一对多网络
提出了一种使用感知损失，自然损失和 JPEG 损失的网络，同时避免了反卷积过程中出现的网格状伪影，实验证明了该方法在减少图像的压缩伪影方面的显着视觉效果。
- 深度特征一致性变分自编码器
本研究提出了一种新颖的方法来构建变分自编码器 (Variational Autoencoder，VAE), 该方法通过 enforced deep feature consistency 的方式替代了传统的像素级别的损失，以充分保留输入数据