本研究提出了一种课程一致性模型（CCM），解决了现有一致性蒸馏方法在不同时间步学习复杂性变化的问题。通过引入基于峰值信噪比（PSNR）的度量，稳定了学习复杂性，实验结果显示在CIFAR-10和ImageNet 64x64上性能显著提升。

本文介绍了一种新颖高效的框架——混合专家隐式超分辨率（MoEISR），能够以任意比例进行超分辨率重建，而不损失重建质量。实验证明，MoEISR能够在缩减高达73%的浮点运算的同时，提供相当或更优的峰值信噪比。

本文提出了一种新的方法，用于从腹腔镜图像中去除烟雾。该方法采用了二阶段网络来估计烟雾分布并重建清晰的无烟手术场景。实验结果表明，该方法在峰值信噪比方面比现有最先进的方法高出2.79％，运行时间减少了38.2％。与现有最先进的方法相比，该方法在烟雾去除质量和计算效率方面具有可比甚至更优秀的性能。

本研究提出了一种基于实例的运动校正流程，利用运动引导的隐式神经表示来减轻运动伪影对解剖结构的影响。实验证明，该方法可以显著提高结构相似性指标、峰值信噪比和分类准确度。

本研究提出了一种基于自监督对比学习的非配对MRI超分辨率方法，利用有限的训练数据提高超分辨率性能。结果显示峰值信噪比和结构相似性指数都得到了显著提高，强调了该方法在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率MRI。

本研究提出了一种基于小型机器学习的全局色调映射方法（TGTM），能够以较低的计算量实现HDR图像的色调映射，具有更高的峰值信噪比。

本文使用端到端学习法解决混合镜头重建高分辨率光场图像的问题，提高峰值信噪比的同时保留光场结构。这是首个使用端到端深度学习方法解决该问题的研究。

本文介绍了一种新颖高效的框架——混合专家隐式超分辨率（MoEISR），能够以任意比例进行超分辨率重建，而不损失重建质量。实验证明，MoEISR能够在缩减高达73%的浮点运算的同时，提供相当或更优的峰值信噪比。

通过生成对抗网络构建的多层级雨图生成模型能够生成不同强度的雨图像，并通过优化和调整改善模式崩溃问题。与基准模型相比，该模型在测试数据集上的峰值信噪比提高了2.58 dB和0.74 dB，结构相似性指数分别提高了18%和8%。消融实验验证了模型调优的有效性。

本研究提出了一种基于自监督对比学习的非配对MRI超分辨率方法，利用有限的训练数据提高超分辨率性能。结果显示，即使在仅有有限数量的HR图像的情况下，峰值信噪比和结构相似性指数都得到了显著提高。该方法强调了在解决有限训练数据挑战上的潜力，以推进临床应用中的高分辨率MRI。

该研究使用生成对抗网络构建了一个多层级雨图生成模型，能够生成不同强度的雨图像。通过优化和调整，改善了模式崩溃问题，并在测试数据集上提高了峰值信噪比和结构相似性指数。消融实验验证了模型调优的有效性。

本文介绍了NOVA视角增强策略，用于训练动态对象在静态场景中。该框架减少了混合伪影，提高了峰值信噪比，并具有便捷性、灵活性和可伸缩性。代码库托管在GitHub上。