复合多分支特征融合用于真实图像修复
图像修复是一个具有挑战性的 ill-posed 问题，也是长期以来的研究难题。然而，大多数基于学习的修复方法仅针对单一退化类型，缺乏泛化能力。本文提出了一种受人类视觉系统（例如视网膜神经节细胞）启发的多分支图像修复模型，可在统一框架下完成多种修复任务。实验结果显示，所提出的多分支架构 CMFNet 在四个数据集上均表现优异，涵盖图像去模糊、去雾和去雨滴等自驾车常见应用场景。

基于 M-Net+ 的半小波注意力机制用于低光图像增强
低光图像增强是一项用于将昏暗图像增强至合适亮度的计算机视觉任务，也被视为图像复原领域中的病态问题之一。 随着深度神经网络的发展，卷积神经网络已超越传统基于算法的方法，成为计算机视觉的主流。 为了进一步提升增强算法的性能，我们提出了一种基于改进型 M-Net+ 的图像增强网络 HWMNet。 该方法在 M-Net+ 上加入半小波注意力模块，用于丰富小波域的特征信息。 在两个低光图像增强数据集上的实验结果显示，HWMNet 在定量指标和视觉质量上均表现优异。

改进的层次结构 M-Net+ 用于盲图像去噪
图像去噪是一个长期存在的 ill-posed 问题。近年来，卷积神经网络（CNN）成为研究焦点，在计算机视觉领域中占据主导地位，并在多个视觉任务中取得了显著成果。U-Net 是一个知名的层次型 CNN 主干，在去噪与其他任务中表现出色。但层次结构在反复下采样过程中往往会导致空间信息丢失，这对以像素为基础的任务（如去噪）造成严重影响。本文提出了一个改进的层次主干 M-Net+，以缓解上述問題，并在两个合成高斯噪声数据集上进行了测试，展示了良好的性能表现。

选择性残差 M-Net 用于真实图像去噪
图像修复是一项低层次的视觉任务，目标是将退化的图像还原为无噪声的图像。随着深度神经网络的广泛应用，卷积神经网络已超越传统修复方法，成为计算机视觉领域的主流。为提升去噪算法性能，我们提出了一种基于层次结构的盲真实图像去噪网络（SRMNet），该架构源自 U-Net 的改进版。具体来说，我们在 M-Net 框架中引入了结合残差模块的选择性卷积核，以增强多尺度语义信息。我们的方法在两个合成与两个真实世界的噪声数据集上，在定量评估与视觉质量方面均表现出色。源代码和预训练模型可通过以下链接获取：https://github.com/FanChiMao/SRMNet。

SUNet：基于 Swin Transformer 的 UNet 图像去噪方法
图像修复是一个具有挑战性的 ill-posed 问题，也是长期存在的难题。在过去几年里，卷积神经网络（CNN）几乎主导了整个计算机视觉领域，并在包括图像修复在内的各类视觉任务中取得了显著成功。然而，近期基于 Swin Transformer 的模型也展现出令人惊艳的性能，甚至在高阶视觉任务上超越了 CNN 方法，成为最新的主流。在本文中，我们提出了一个名为 SUNet 的图像修复模型，使用 Swin Transformer 层作为基础模块，并将其应用于 UNet 架构以完成图像去噪任务。

WBTP-VTON：基于全身和纹理保持的虚拟试衣网络
基于图像的虚拟试衣系统日益受到关注，但仍面临许多未解决的挑战。因此，我们提出一种全新且可端到端学习的方法——WBTP-VTON（Whole Body and Texture Preservation based Virtual Try-On Network），以解决该领域中的实际问题。首先，WBTP-VTON 使用几何匹配模块（GMM）进行模板转换，根据目标人物的身形对目标上衣和裤子（或裙子）进行调整。第二阶段是合成最终图像，使生成结果更为逼真自然。最后，我们结合试穿模块与合成掩码，将变形后的服装与最终图像融合，确保图像的平滑与一致性。在大规模数据集上的实验证明，WBTP-VTON 在虚拟试衣任务上具有先进的性能。