本文介绍了一种基于单张图像的快速可动画3D人类重建模型LHM。该模型利用多模态变换器架构解决几何形状、外观和变形的解耦问题，能够生成高保真度的虚拟人，显著提高面部身份保留和细节恢复能力，实验结果表明其重建精度和泛化能力优于现有方法。

本研究提出了一种新框架U-Know-DiffPAN，旨在克服传统PAN锐化方法在细节恢复方面的局限。该框架通过不确定性映射增强学生模型在困难区域的聚焦能力，从而优化高分辨率图像处理，效果优于现有方法。

该研究提出了TSD-SR模型，有效解决了现有图像超分辨率方法在效率和细节恢复方面的不足，实验结果表明其在恢复效果和推断速度上优于之前的方法。

本研究提出几何解耦网络（GDNet），有效解决压缩深度源中的高质量深度图恢复问题，显著提升几何一致性和细节恢复能力，荣获ECCV 2024一等奖。

DiffLL是一种稳健高效的低光图像增强方法，利用波浪变换加速推理，通过前向扩散和反向去噪实现稳定去噪和减少随机性。高频率恢复模块能更好地恢复细节。实验证明该方法在定量和视觉上优于现有方法，并在效率上有显着提高。还证明了该方法在低光人脸检测方面的潜在实际价值。

该文介绍了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制FBP重建的特定伪影。实验结果表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。