庆北国立大学：让LLM当损失调音师，图像恢复PSNR最高涨3.35
调损失权重这件事，以往基本靠炼丹手感和几轮消融碰运气。这篇论文干脆把LLM塞进训练循环：每隔一段拿固定小样本跑一遍质量指标，让它的下一段训练自己决定该更看重保真，还是更好看。改的全是现成损失项，网络结构、优化器、数据管线、推理流程一个没动，训练额外开销不到0.2%，推理零成本。三个恢复任务、七个基准，都挪到了更划算的平衡点上。🤨
标签：图像增强
共 58 篇
胶囊内镜图太糊看不清？无监督Transformer超分方案让病灶细节放大4倍还更清晰
无线胶囊内镜拍出来的图常常模糊不清，而真实场景下几乎不可能拿到一一配对的清晰与模糊图对。这篇来自印度SVNIT与挪威NTNU的工作把Transformer放进无监督GAN里做四倍超分，还顺手提出了一个内镜专用的无参考画质指标，代码与预训练模型均已开源，值得做医学影像增强的读者仔细看看。
MRI超分训练太贵？把VGG感知损失塞进扩散目标可省钱
扩散模型做超分，画质确实顶，训练也确实是出了名的“百万步起步”。这篇文章没动网络结构，只在训练目标里加一个冻结VGG的感知正则项，就能让脑MRI和彩色人脸超分稳定加速收敛，局部细节还更真。想低成本给扩散训练“加外挂”的读者，值得花三分钟读完。
北大&字节提出UEAP-4k：专治画质增强“翻车”，AP50提升5.7个点！
刷短视频时，原图里正常的人脸经过平台"画质增强"后，可能变得僵硬或文字扭曲。这是平台在后台对用户生成内容（UGC）进行压缩、编码、解码、再增强的结果。
树莓派上给消防员“开天眼”？门控去雾新范式：只花10毫秒判断，省下470毫秒算力
人人都说“先增强，后感知”，但一篇来自高中生的树莓派论文硬核证明：这个“共识”可能正在浪费你80%的算力！用10毫秒的暗通道判断，直接省掉470毫秒的去雾推理，精度还不降反升。嵌入式视觉的极致性价比，这篇论文讲透了。
告别4K卡顿！新南威尔士大学提出P-PatchDif：低光增强提速80倍，显存不到9G
拍完夜景想发朋友圈，结果暗部一团黑、亮部还偏色？这篇新南威尔士大学的工作把分块扩散模型玩出了新花样：分块尺寸随时间步渐进增大，既保住局部细节又协调全局亮度，4K图像推理提速80倍，显存仅需8.8GB，简直是低光增强领域的"效率控"福音。
南开&大疆EyeControl：随手画几笔，AI修图让主角“破墙而出”！
拍完照片，别人看主角还是背景杂物？调亮度、加对比度、局部压暗……折腾半天，效果不佳。
2026最新：把亮度映射塞进迭代，图像去噪增强一步搞定
拍照一时爽，后期火葬场——尤其拍到过曝夜景人像，想从高光里捞细节时，灵魂拷问就来了：先降噪还是先调亮度？先调亮度吧，暗部噪点会被放大；先降噪吧，过曝区域的细节又未必救得回来。传统玩法无非这两种，顺序任选，各有代价。
图像去噪新范式：软直方图驱动扩散，混合噪声一网打尽
把软直方图和扩散滤波硬凑成一对，居然在高斯+脉冲混合噪声上打出了漂亮的组合拳。方法推导干净利落，没有堆砌花活，适合想从变分视角理解鲁棒去噪底层逻辑的读者花十分钟读一读。
5.3倍参数压缩还更强？交大PixelIR单步超分效率杀疯了
聊超分绕不开一个千古难题：又想马儿跑得快（细节丰富、观感锐利），又想马儿不吃草（结构保真、贴合原图）。这两件事在底层视觉里长期互相打架，逼着研究者要么偏科要么和稀泥。
南大最新单图重拍SOTA：换机位拉焦距调色温一次搞定
一张照片拍完就定型了？南京大学最新研究告诉你：换视角、拉焦距、调色温、改曝光，一张图就能“重拍”出各种效果，还跟真重新拍过一样。首个统一框架ReX-Shot，直接把单图三要素控制一次搞定。
水下照片不再蓝绿蒙蒙？这个合成数据让特征匹配暴涨近7倍
水下照片总是蓝绿蒙蒙一片？印度理工学院这次把海洋光学的"家底"全搬进了合成数据——十种Jerlov水体、深度依赖辐照度、生物荧光一次建模到位。合成数据FID比最强竞品直降46%，四个增强架构跨六个真实数据集全面反超。搞水下视觉的朋友，这份物理知识+数据工程的双拼值得仔细品品。
