本研究提出了一种暗度无网络（DFVO）方法，解决了弱光环境下可见图像融合模糊和信息损失的问题。通过级联多任务策略，显著提升了融合图像的清晰度和信息量，PSNR达到63.258 dB，具有潜在应用价值。

本研究利用深度学习方法开发了一个3D网络，能够直接从患者数据中预测光照地图，显著提高了光照地图的重建性能，PSNR提升约8 dB，剂量体积直方图接近目标剂量。

盲图像恢复在低级视觉任务中仍然面临挑战。研究提出了一种频率感知指导损失，能够集成到去噪扩散模型中，以增强内容一致性。实验结果表明，该方法在盲图像去模糊等任务中显著提升了图像质量，PSNR值提高了3.72dB。

本研究提出了一种新颖的LLV-FSR框架，旨在解决现有人脸超分辨率方法在视觉信息不足时的局限性。该方法结合大型视觉-语言模型与高阶视觉先验，在MMCelebA-HQ数据集上显著提高了重建质量，PSNR超越当前最优方法0.43dB。

本文提出了一种新的JPEG方法，克服了现有方法的不足。实验结果显示，该方法在性能上优于现有方法，平均PSNR提高3.47 dB，强压缩率下提高9.51 dB，并在对抗攻击中表现出良好的梯度逼近能力。

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。

本文回顾了NTIRE 2024挑战赛，聚焦图像超分辨率任务，要求从低分辨率图像生成4倍高分辨率图像。挑战不限制计算资源和训练数据，通过DIV2K数据集的PSNR评估性能。吸引了199名注册者，20个团队提交作品，推动了单图像超分辨率的进展，并概述了该领域的趋势。

本研究提出了一种新方法，通过建模图像序列的数据转移动态，显著提高了后验采样的效率。研究结果表明，该方法在保持性能的同时，实现推断速度提升25倍，并在严重运动情况下提高了PSNR达8%。

本研究探索了QN-Mixer算法和Incept-Mixer算法在影像反问题中的应用。实验证明该方法在SSIM和PSNR方面以及所需迭代次数减少方面超过了现有方法，达到了最先进的性能水平。

本研究开发了一种仿真算法，生成接近真实图像的厚层CT图像。使用PSNR和RMSE指标评估，结果显示该方法在PSNR和RMSE方面显著提高。进一步验证并用于训练超分辨率模型，提高性能。

本文介绍了一种新的街景神经辐射场模型（S-NeRF），通过改进参数化函数和学习神经表示来解决现有模型在街景合成中的问题。实验证明S-NeRF模型在大规模驾驶数据集上比现有方法减少了7％至40％的均方误差，并在移动车辆渲染的PSNR方面获得了45％的增益。

本研究开发了一种仿真算法，生成与真实图像接近的厚层CT图像。使用PSNR和RMSE指标评估，结果显示该方法在PSNR和RMSE方面均有显著提高。进一步验证了该算法，并用于训练超分辨率模型，提高了性能。

本文分析了自动海岸线检测中边缘检测算法的有效性。通过评估指标发现，FOM是最可靠的选择最佳阈值的指标。相对于RMSE、PSNR和SSIM，FOM在92.6%的时间内选择到更好的阈值。而RMSE、PSNR和SSIM的选择率分别仅为6.3%、6.3%和11.6%。通过重新解释RMSE、PSNR和SSIM的混淆矩阵度量，提出了对这些结果的解释，表明这些评估指标不仅在这次实验中效果不好，而且在一般的边缘检测评估中也不实用。

本文介绍了基于卷积神经网络的图像去雾模型AOD-Net，通过端到端设计生成干净图像，并与Faster R-CNN模型级联以提高雾图上的目标检测性能。实验结果显示，该模型在合成和自然雾图数据集上表现出更好的PSNR、SSIM和主观视觉质量。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题，并使用嘈杂和稀疏的 LiDAR 点来提高训练的鲁棒性和减少深度奇异值出现的情况。实验证明，S-NeRF 模型在各种大规模驾驶数据集上的表现优于现有最先进方法，能够减少 7％至 40％的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％的增益。

本文提出了一种用于一般相机的自校准算法，可以处理任意非线性失真。该算法采用了针孔模型、四阶径向失真和通用噪声模型，并使用了 Neural Radiance Fields 和新的几何损失函数来处理复杂的非线性相机模型。该模型可以从头开始学习相机内参和外参，无需 COLMAP 初始化，并可提高 PSNR。该算法易于使用，可应用于 NeRF 变体以提高性能。

本文提出了一种新的街景神经辐射场模型（S-NeRF），通过改进场景参数化函数和学习更好的神经表示来应对现有 NeRF 模型在街景合成中出现的问题。实验证明，S-NeRF 模型在各种大规模驾驶数据集上的表现优于现有最先进方法，能够减少 7％至 40％ 的均方误差，并在移动车辆渲染的 PSNR 方面获得了 45％ 的增益。

该文介绍了一种基于参考图像的超分辨率方法，通过引入注意机制和纹理匹配来提高低分辨率图像的质量。使用更高效的内存使用率进行深层搜索以减少图像补丁数量，并使用残差架构和梯度密度信息来增强超分辨率结果。该方法在PSNR和SSMI方面表现有竞争力。

本研究提出了引导频率损失（GFL）方法，平衡地学习图像频率内容和空间内容。实验结果表明，GFL 损失方法在超分辨率和降噪任务中提高了 PSNR 指标，并且在超分辨率模型的训练中也取得了改善。

该文介绍了MQINet立体图像去雨处理方法，利用CDQB、IPA和CMIA三个模块，通过多维度查询和交互实现。实验结果表明，MQINet在PSNR上比EPRRNet和StereoIRR分别提高了4.18 dB和0.45 dB。