- SDNIA-YOLO：极端天气条件下的鲁棒物体检测模型
通过提出的基于神经风格转换的风格化数据驱动的 YOLO 模型（SDNIA-YOLO），本研究改善了模型的鲁棒性，通过自适应地增强图像质量并从神经风格转换合成的图像中学习与极端天气条件相关的有价值信息，在真实世界的极端雾天和低光条件测试集上， - 用于真实世界人脸超分辨率的师生网络与边缘信息渐进嵌入
提出了一种考虑真实数据和合成数据之间领域差异的面向真实世界的人脸超分辨率教师 - 学生模型，通过使用循环网络中间输出逐步包含各种边缘信息，此方法在获取高质量的真实世界人脸超分辨率图像方面超越了现有的先进方法。
- 实际单图像非监督目标分割的基准测试和分析
研究旨在系统研究现有无监督模型在具有挑战性的真实世界图像上的有效性，发现现有无监督模型在真实世界图像中很难分割普通物体，因为现有模型所引入的归纳偏差难以捕捉不同目标的分布。未来的工作应该在网络设计中更充分地利用显式的目标偏差。
- 学习无配对真实世界图像的多对多映射进行图像超分辨率和图像降采样
该论文提出了 SDFlow，一个将单幅图像超分辨率问题转化为无监督学习的模型，通过在潜在空间中匹配 LR 和 HR 图像的内容信息分布来实现图像降尺度和超分辨率的自动学习。实验结果表明 SDFlow 能够生成多样且逼真的 LR 和 SR 图 - Uni-Removal：一种半监督框架，用于同时解决实际图像中的多种降质问题
本文提出了一种半监督的、适用于多种图像退化去除的框架，其中利用了已预训练的多个网络进行知识传递，同时使用了多粒度对比损失和生成对抗损失，该方法在去雾、去雨、去模糊等方面具有优越性。
- 利用多张皮肤镜照片通过深度学习提高黑色素瘤分类的准确性：一项预后诊断准确性研究
本研究探讨了使用多个现实世界图像对 CNN 基于皮肤镜的黑素瘤分类器的性能的影响，并发现这是一种提高黑素瘤分类器性能的廉价方法。
- 实际单一图像中的无监督物体分割：前景还是泡影？
本文研究了从单幅图像进行无监督物体分割的问题，通过系统地研究现有无监督模型在具有挑战性的现实世界图像上的有效性，发现现有无监督模型在真实世界的图像上无法有效地分割普通物体，因此需要在网络设计中利用更明确的对象性偏差。
- 面具视觉预训练用于运动控制
本文表明，来自真实世界图像的自监督视觉预训练对于从像素学习运动控制任务是有效的；为了加快像素学习的进展，本文还贡献了一套手工设计的基准任务，其中包括运动、场景和机器人等方面的变化。通过防冻度量的视觉编码器和强化学习，我们实现了与带标签、状态 - ICCV自适应展开全变差网络用于低光图像增强
该研究提出了一种基于自适应展开全变分网络的噪声估计方法，可以有效增强真实低光景象下的图像，并在实验中展示了其优越性。
- ICCV通过极化匹配卷积学习发现反射对称性
使用极线匹配卷积技术，通过引入极向特征汇集、自相似编码和不同角度轴的系统内核设计消除了普通卷积神经网络的旋转和对称不变的限制，并通过数据集增强的自监督学习策略，成功地从真实世界的图像中发现对称图案，证明了该方法具有更高的准确性和鲁棒性。
- CVPR具有去除反射的强健性反射消除方法
该研究提出了一种简单而有效的反射去除算法，通过利用闪光灯图像减去环境图像得到的仅有闪光灯图像来得到准确的反射和透射估计，并避免引入不必要的伪像。实验表明，该方法在不同类型的反射图像中超过了目前最先进的反射去除算法。
- RealHePoNet: 用于野外头部姿态估计的强大单阶段 ConvNet
使用单个卷积神经网络模型和两个数据集进行训练，成功创建了一个精度和推理速度兼顾的头部姿势识别系统，可在实际应用中使用，实测误差平均仅为 4.4 度，推理时间仅为 6ms。
- ECCVMask2CAD：通过学习分割和检索实现 3D 形状预测
本文提出了一种基于 CAD 模型的方法，结合现有的大规模三维模型数据集，构建了一种可以检测现实世界图像中物体的 CAD 模型表示方法，并且证明了与现有技术相比，该方法在真实世界图像中有着优势。
- CVPR图像去雾的域自适应
本文提出了一种基于学习的图像去雾域适应模型，该模型包含图像翻译模块和两个图像去雾模块，利用一致性约束训练图像翻译和去雾网络以实现更好效果。实验结果表明，该模型在合成和真实世界图像中表现优异。
- ICCV实际场景超分辨率的频率分离
使用 DSGAN 结构进行无监督学习，将自然图像特征引入通过双三次下采样降级的图像。通过频率分离技术，只需对高频部分进行对抗性训练，从而极大地提高超分辨率模型在真实世界图像上的性能表现。
- ICCV面向实际超分辨率的无监督学习
该论文提出了一种针对超分辨率图像的无监督方法，通过学习将人工生成的低分辨率图像的影响反演，从而还原数据中存在的自然图像特征，旨在解决使用人工生成的低分辨率图像所出现的问题。实验结果表明，该方法可以得到具有代表性的真实世界图像组，有效地提高超 - 水下图像增强基准数据集及其拓展
本文通过对海底图像进行感知研究来评估现有算法在实际数据中的表现，并提出了一个海底图像增强基准 (UIEB) 数据集，包括 950 张真实图像以及涉及卷积神经网络的算法，以此来评估现有算法的性能和局限性。