本研究提出了一种基于学习的物理知识颜色敏感变换（PiCat）框架，旨在解决低光照图像增强中的颜色预测不一致和光谱功率分布敏感问题，从而显著提升图像恢复效果。

本研究提出了一种渐进性迁移学习方法，旨在改善糖尿病视网膜病变筛查中的低质量视网膜图像。该方法通过多次恢复迭代显著提升图像质量，无需配对数据，展现出良好的恢复效果和应用潜力。

本研究提出了一种新的图像恢复框架Cat-AIR，旨在提高处理多种退化类型的效率和效果。该框架通过交替的空间通道注意力机制，智能平衡局部和全局信息，显著提升恢复性能并降低计算需求。

本研究提出了一种名为UniCoRN的统一图像恢复方法，能够同时处理多种图像退化类型。通过利用低级视觉线索，设计了可调控的多头扩散模型，显著提升了多个数据集上的恢复性能，有效应对现实中的图像退化问题。

本研究提出了一种新型低光图像增强方法，利用HVI彩色空间和CIDNet网络，有效去除颜色偏差和亮度伪影，显著提升图像恢复效果。

本研究提出了一种新工具集，用于在未知退化条件下评估真实世界图像恢复算法。通过预测退化链模型，提高了恢复图像与测量的一致性，并设计了高效的无参考恢复算法框架。

本研究提出了一种新方法，通过在潜在空间中使用学习的退化函数，减少自编码器的依赖，从而提高图像恢复的速度和质量。实验结果表明，该方法在多个任务中优于现有技术。

本研究提出了一种名为Hi-IR的层次化信息流机制，旨在提升图像恢复方法的效率与适应性。通过构建三层信息树，逐步传播像素信息，Hi-IR在七种图像恢复任务中表现优异，展现了良好的有效性与推广性。

本研究提出GenDeg模型，生成多种高质量降解图像，并构建超过75万样本的GenDS数据集，以提升全图像恢复模型的泛化能力，为图像恢复领域提供新的数据源和训练方法。

本研究提出了一种新型白内障眼底图像恢复方法Catintell，利用GAN结构生成真实风格的白内障样图像，显著提升图像质量，帮助医生更准确识别白内障患者的其他眼病。

本研究提出了一种新型图像恢复架构，结合多维动态注意力和自注意力于U-Net框架，旨在解决户外图像因雨、雾和噪声造成的严重退化问题，从而提升恢复性能和计算效率。

本研究提出了“彩票图像先验”（LIP），有效解决了深度图像先验在过参数化和欠参数化中的性能与效率问题。LIP子网络在图像恢复任务中显著优于传统解码器，并具有较高的转移性。

本研究提出了一种新型集成算法，利用高斯混合模型解决图像恢复中单模型预测与真实值的偏差问题。该算法在超分辨率、去模糊和去雨任务中优于传统方法，具有重要的实用价值。

本研究通过引入强化学习优化微分方程图像恢复路径，并结合成本感知轨迹蒸馏，提出了新的统一框架，大幅提升图像恢复的准确性和视觉质量。实验结果显示，该方法在PSNR上比现有方法提高了2.1 dB。研究还综述了扩散模型在图像修复中的应用，并提出了未来研究方向。

本研究提出了一种新方法——后验均值修正流（PMRF），在图像恢复中优化后验均值预测，提升感知质量并减少均方误差。实验表明，PMRF在多种任务中优于传统方法。

本研究探讨了扩散模型在图像恢复任务中的应用，并对当前技术进行了全面回顾。研究发现扩散模型在图像去噪、去模糊和去雾等低级计算机视觉任务中具有潜力，并提供了未来研究方向的实用建议。

本文提出了一种新的任务序列生成器模块和基于直方图的变压器模块，以提升复杂天气下降级图像的质量。模型在公共数据集上达到了最先进的性能，具有实际应用潜力。

本研究提出了一种新的多尺度状态空间模型（MS-Mamba），用于解决图像恢复中的细节丢失和对比度降低问题。该方法在多个经典图像恢复任务上达到了新的最先进性能，同时保持了较低的计算复杂度。