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。

本研究提出了一种深度光学框架，通过优化掩膜和重建网络，解决视频快照压缩成像中的动态范围和算法退化问题。引入结构掩膜和高效的Transformer网络，实验验证了其在实际应用中的有效性。新算法EfficientSCI在单一曝光下重建视频快照，显著提高了PSNR值，优于现有技术。

PO-ELIC提出了一种高效的图像编码模型，利用对抗性训练技术提升感知品质。研究中介绍了上下文自适应熵模型、空间-通道自适应编码算法及平行化友好的上下文模型，显著提高了图像压缩性能。实验结果表明，这些方法在PSNR和MS-SSIM指标上优于传统编解码器，具有更好的压缩效率和速度。

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。

本文介绍了不同的可压缩JPEG方法和一种新的不可分类的JPEG方法，该方法在前后向性能上优于现有方法，平均PSNR值提高了3.47 dB，在强压缩率下，可以将PSNR提高9.51 dB。此外，该方法还在对抗攻击方面表现出有效的梯度逼近能力。

本文提出了一种基于球坐标系的学习式点云压缩（SCP）的模型无关方法，利用点云中的圆形和方位角不变性特征，采用多级八叉树减小重建误差。实验结果表明，SCP 在点对点 PSNR BD-Rate 方面超过了先前的最先进方法，提高了 29.14%。