视频阴影去除新SOTA！杭电等高校新方法，0.82dB领先
夏天在景区拍照，最难缠的不是人潮，而是地上那道怎么躲都躲不开的影子。照片还能靠后期硬修，一到视频里影子跟着物体动起来，简直是在考验修图师的心脏。今天这篇AAAI 2027论文《WildShadowRemover》，把“去除视频阴影”这件事直接交给视频扩散模型来搞定。看完只能说一句：还是让模型去扛吧，人眼真的看不过来。
标签：图像增强
共 58 篇比单图SR强太多？多视图+序列人脸超分还能顺便提升Re-ID
人脸超分一直有个尴尬：单张低清图怎么补也补不出真实五官。这篇韩国三校合作的工作干脆“摇人”——把同一个人的多张低清监控图凑在一起，用Transformer把身份特征统一起来，再靠级联网络一步步把脸“画”清晰，顺便把行人再识别也推进了一把。思路简单粗暴，效果却很能打。
南科大BlindPSNR：让低光增强自动选最优，Top-1达89.5%
还在手动挑低光增强参数？这篇论文发现7个主流无参考质量评估指标在候选选择任务上全军覆没（Top-1准确率全部为0%），并推出BlindPSNR——不依赖任何参考图就能预测PSNR，在场景未见数据上Top-1准确率飙到89.5%，后悔值仅0.026dB，代码已开源。对任何要落地低光增强的团队都是一份实用参考。
极端场景OCR实战：为什么超分比大模型更重要？
极端场景下车牌只有12像素宽，笔画宽度2-3像素，常规OCR盲猜等于送分给负分。这篇ICIP 2026挑战赛高分方案证明了：把超分做到位（HAT 4倍提升），再搭配两个架构差异够大的识别器做集成，最后根据计分规则（+2/-1/0）设定弃权阈值，即使没有外部数据和私有模型，照样拿到9.73 wECR。核心思路很简单：先让字看得清，再让模型认得出，认不出的时候就
水下照片秒变清晰！DY-LUT仅3.56M参数，4K推理仅7ms，速度比扩散模型快300倍
水下图像增强一直面临空间不均匀衰减的棘手难题，大多数方法要么效果不错但慢得离谱，要么轻快但恢复质量堪忧。DY-LUT直接把场景深度和YCbCr色彩分离这两个自然线索揉进四维查找表，用极小的参数量（3.56M）实现了质量和效率的双赢。自适应4K推理只需要约7毫秒，比那些笨重的扩散模型快了两个数量级，还能给下游检测和特征匹配带来实打实的提升，很值得关注。
TPAMI 2026最新：一个扩散模型搞定无标定红外超分与融合，下游检测率涨超5%！
红外与可见光双摄设备如今很常见，可两个摄像头总有‘视角差’，导致图像对不齐。以往要么手动校准，要么用复杂的配准网络。而这篇BeyondFusion另辟蹊径——直接在扩散模型的潜空间里让两个模态‘自对齐’，还能同时输出红外超分辨率图和融合图，手机实拍效果惊艳。一篇方法干净、结果扎实的工作，值得细读。
Hist2Style：CVPR 2026，1.5M参数实时4K逼真风格化调色
摄影后期调色还在手动拉曲线？Hist2Style把大型图像编辑模型“压缩”成一个1.5M参数的轻量网络，用直方图作为控制界面，让你像调音量一样调色调。在用户研究里，它赢了82%的对比试验，而且支持实时4K处理，简直是调色师的效率神器。
3D纹理超分新SOTA来了！自适应视角+扩散模型，浙大这一招让老旧资产秒变4K
你是不是也遇到过这种尴尬：下载了一个精美的3D模型，结果纹理一放大全是马赛克，UV接缝处裂开得像补丁？传统图像超分模型拿到纹理图上直接翻车，生成模型又一味“自由发挥”不保留原细节。浙大团队这次祭出Texture++，用“自适应视角+四叉树掩码+局部单步扩散”三板斧，既保真又无缝，4倍超分PSNR飙到37.53，比SOTA高出1.5个dB，关键是——不需要梯度
西安交大新方法DQ-CTM：稀疏思考也能做密集重建
超分辨率论文很多，但大多还是“算一次就交卷”。这篇 ThinkSR 的有意思之处在于，它把连续思考机器搬进了像素重建里，让模型可以一边想、一边补细节，而且四个思考步内就能看到稳定变清晰的轨迹。更关键的是，它不是只讲概念，确实把稀疏思考和密集输出之间的矛盾拆开了。
这项2026研究很实用：ERank把图像从平淡排到丰富
一张图到底“信息多不多”，以前多靠经验拍脑袋。ERank更狠：冻结编码器跑一遍，就能把图像从“平淡”排到“丰富”，而且在超分和OCR的数据筛选上真能派上用场。
无GPU也能跑：眼底增强新法把SSIM推到0.91
这篇工作不靠大模型、不拼训练数据，直接用“先调亮、再增强”的老办法把眼底图像做得更稳。更关键的是，它不是只在一张图上好看，而是把 DRIVE、STARE、CHASEDB1 三个数据集都跑了一遍，还给出统计检验和筛查速度，落地味道很足。
北英格兰大学新作：低对比度掌脉图像不再难认
掌脉识别最烦的不是“认错人”，而是图像本身先把自己搞得像一团雾。本文把低对比度增强和特征匹配过滤串成一条完整链路，在三套数据上把效果、泛化和工程代价都讲得比较实在，值得认真看。
