本研究提出了一种多任务导向的夜间雾霾成像增强器（MToIE），旨在提升视觉驱动测量系统在雾霾和低光条件下的成像质量。通过创新的学习机制和增强模块，该方法显著提高了成像的精准度和可靠性，实验结果表明其在不同气候条件下表现优越。

本文介绍了动态和主动像素视觉传感器（DAVIS）的特点及其在机器人技术和计算机视觉中的应用，提出了多种基于DAVIS的跟踪算法和数据集，旨在提高低光和高速条件下的跟踪精度，并展示了新算法在复杂场景中的有效性。

本文介绍了多种视频和图像去噪技术，包括基于递归全卷积网络、卷积神经网络和Transformer的方法。这些技术在低光条件下表现优异，能够有效降噪、色彩校正和增强图像质量，同时提出了新型网络架构和数据集，显著提高了去噪性能和计算效率。

本文介绍了一种可训练的图像信号处理框架，利用智能手机拍摄RAW图像生成高质量图像。研究了多种深度学习方法，提出了轻量级的GenISP和DynamicISP，以提高低光条件下的物体检测和图像处理性能。同时推出了新数据集ISP in the Wild，展示了不同设备间的颜色转换能力。

该论文提出了一种解决低光条件下实例分割问题的端到端解决方案，通过加权非局部块实现特征级内嵌去噪，消除了对齐基准图像的需要，并引入可学习的权重增强网络以适应真实世界噪声。实验结果显示该方法在平均精度上有显著改进。

DCUNet是一种用于恢复低光条件下捕捉的光场图像的深度补偿展开网络。它使用多阶段架构和数据驱动方式模拟解决反向成像问题的优化过程。实验证明DCUNet相对于现有方法具有优越性，并且能更好地保留增强的光场图像的基本几何结构。

本论文介绍了一种新颖的深度补偿展开网络（DCUNet），用于恢复低光条件下捕捉的光场图像。DCUNet采用多阶段架构模拟解决反向成像问题的优化过程，并利用中间增强结果估计光照图。每个优化阶段都包括内容相关的深度补偿模块，用于抑制噪声和光照图估计误差。此外，论文提出了伪显式特征交互模块，充分利用光场图像中的冗余信息。实验结果定性定量地证明了DCUNet相对于现有方法的优越性，并更好地保留了增强的光场图像的基本几何结构。代码将在指定URL公开。