Topic · 214 篇
底层视觉与图像复原
让图像更好看、更接近真实，不涉及语义理解。
这个方向的收录判据
输入输出都是图像的低层处理。包括超分、去噪、去模糊、去雨去雾、低光照增强、 图像修复、色彩增强、压缩伪影去除、HDR。 判据：任务目标是"让图像更好看/更接近真实"，不涉及语义理解。
本方向全部 214 篇
gQIR：生成式量子图像重建
gQIR: Generative Quanta Image Reconstruction
把大规模文生图潜变量扩散模型迁移到极端光子受限的 SPAD 突发帧重建，用扩散先验同时完成对齐、去噪与彩色去马赛克；做低光照/短曝光复原的人可直接复用其潜空间复原+突发级时空推理的框架。
ZeroIDIR：基于扰动一致性扩散模型的零参考光照退化图像复原
ZeroIDIR: Zero-Reference Illumination Degradation Image Restoration with Perturbed Consistency Diffusion Models
提出零参考扩散框架，将复原解耦为自适应光照校正与扩散重建，并引入扰动一致性损失，为无监督低光照增强与去噪提供可复用方案。
基于混合先验引导伪样本生成的零样本图像去噪
Zero-Shot Image Denoising via Hybrid Prior-Guided Pseudo Sample Generation
提出局部（梯度合并分组下采样）与全局（高斯分布条件随机采样）双先验驱动的伪样本生成范式，并配合傅里叶域分频带加权损失，可直接迁移到无外部数据训练的去噪、去模糊等复原任务中。
白平衡优先，后调整：通过视觉语言模型评估的跨相机颜色恒常性
White-Balance First, Adjust Later: Cross-Camera Color Constancy via Vision-Language Evaluation
将颜色恒常性重新定义为迭代感知反馈问题，利用LoRA微调的VLM评估白平衡后的图像并给出残差色偏方向，替代直接RGB回归，为跨相机颜色恒常性提供新思路。
VoDaSuRe：一个揭示体数据超分辨率中域偏移的大规模数据集
VoDaSuRe: A Large-Scale Dataset Revealing Domain Shift in Volumetric Super-Resolution
该论文揭示了体数据超分辨率模型在真实低分辨率扫描上性能被高估的问题，并提供了大规模配对数据集VoDaSuRe，可用于重新评估和开发更鲁棒的SR方法，避免因训练数据下采样而导致的域偏移。
VideoFusion：用于多模态视频融合的时空协同网络
VideoFusion: A Spatio-Temporal Collaborative Network for Multi-modal Video Fusion
提出面向视频的多模态融合框架，其双时序协同注意力机制可动态聚合前后向时序上下文，为视频复原、增强等任务中时空一致性建模提供可复用模块；同时发布的M3SVD基准数据集填补了多传感器视频融合的数据空白，便于后续研究公平对比。
VT-Intrinsic：基于单对可见光-热红外图像的物理反射率与光照分解
VT-Intrinsic: Physics-Based Decomposition of Reflectance and Shading using a Single Visible-Thermal Image Pair
利用可见光-热红外图像对的强度序关系进行自监督，为反射率与光照分解提供物理约束，可推广到其他需要物理先验的逆渲染任务。
VSRELL：低光照环境下视频超分辨率与增强的简单基线
VSRELL: A Simple Baseline for Video Super-Resolution and Enhancement in Low-Light Environment
把低光照增强与视频超分耦合进一个联合框架，用光照-噪声协同优化网络和光照敏感特征传播机制同时处理亮度校正与跨帧噪声累积，对做低层复原的人提供了一个可复用的『多退化解耦+时序特征门控』设计范式。
VOSR：一种仅视觉的生成式图像超分辨率模型
VOSR: A Vision-Only Generative Model for Image Super-Resolution
提出仅用视觉编码器注入语义、无需文本先验的扩散超分框架，并采用改进的 shortcut 模型实现单步推理，为低层视觉任务摆脱多模态预训练依赖提供了可复用的训练与加速方案。
VLIC：以视觉语言模型作为感知裁判实现人类对齐的图像压缩
VLIC: Vision-Language Models As Perceptual Judges for Human-Aligned Image Compression
把 VLM 的零样本二选一判断直接当作奖励信号，用偏好后训练（如 DPO/奖励加权）微调扩散式图像压缩器，替代传统在心理物理数据上标定的可微感知损失网络；这套「VLM 当裁判」的奖励设计与训练细节可迁移到超分、去噪、增强等任何需要人眼对齐的复原任务。
基于奖励引导自强化策略的无配对图像去雨
Unpaired Image Deraining Using Reward-Guided Self-Reinforcement Strategy
提出基于IQA的动态奖励回收与自强化训练策略，可复用于其他无监督底层视觉任务（如去噪、去雾），通过挖掘训练过程中的高质量输出构建伪配对数据来约束优化空间。
UniSER：统一软效应去除的基础模型
UniSER: A Foundation Model for Unified Soft Effects Removal
把镜头光晕、雾、阴影、反射统一建模为「半透明遮挡」并用 Diffusion Transformer 做微调复原，配合细粒度掩码与强度控制，为低层复原提供了一条「一个模型处理多类软效应」的可复用范式与 3.8M 配对数据构建思路。
UniRain：基于 RAG 数据集蒸馏与多目标重加权优化的统一图像去雨
UniRain: Unified Image Deraining with RAG-based Dataset Distillation and Multi-objective Reweighted Optimization
把 RAG 检索与数据集蒸馏结合，从多个公开去雨数据集中筛选高质量样本做混合训练，并用非对称 MoE 加多目标重加权优化统一处理雨条、雨滴、白天与夜间退化，可作为统一复原模型的数据筛选与专家路由范式复用。
UniLDiff：释放扩散先验在一体化图像复原中的潜力
UniLDiff: Unlocking the Power of Diffusion Priors for All-in-One Image Restoration
把预训练扩散模型的先验直接搬进一体化图像复原：DAFF 在每个去噪步用解耦融合+自适应调制注入低质特征，DAEM 用专家路由在解码器端补纹理，这套「退化条件注入去噪链」的做法可迁移到其他条件生成式复原任务。
UniFusion：兼具鲁棒表征与源感知保持的统一图像融合框架
UniFusion: A Unified Image Fusion Framework with Robust Representation and Source-Aware Preservation
用 DINOv3 冻结特征构建跨模态共享语义空间，并用重建-对齐损失约束融合输出与各源图的一致性，这套「基础模型特征 + 重建约束」的组合可直接迁移到多曝光/多聚焦/红外-可见光等任意多源融合与复原任务，双层优化解耦融合与重建目标的思路也适用于其他多目标耦合的低层视觉训练。
UnReflectAnything：通过渲染合成镜面高光监督实现仅RGB的高光去除
UnReflectAnything: RGB-Only Highlight Removal by Rendering Synthetic Specular Supervision
提出用单目几何与Fresnel着色渲染物理合理的合成高光作为监督信号，使仅用RGB图像即可训练高光去除模型；其token级特征修复模块可复用于其他需要恢复被遮挡或损坏特征的底层视觉任务。
基于浅层编码器的超低码率感知图像压缩
Ultra-Low Bitrate Perceptual Image Compression with Shallow Encoder
用浅层编码器加单步扩散解码器做非对称极低码率压缩，为边缘设备上的图像传输提供了可复用的「轻编码、重解码」范式，其中双侧特征蒸馏可迁移到其他编码器轻量化场景。
UCMNet：面向屏下摄像头图像复原的不确定性感知上下文记忆网络
UCMNet: Uncertainty-Aware Context Memory Network for Under-Display Camera Image Restoration
用不确定性图作为空间先验来引导记忆库检索区域自适应上下文，这一「不确定性驱动 + 记忆检索」范式可迁移到其他空间非均匀退化复原任务（如散焦去模糊、镜头污渍、混合退化去噪），且以更少参数达到最优，对轻量化复原网络设计有直接参考价值。
UCAN：用于轻量级超分辨率中扩展感受野的统一卷积注意力网络
UCAN: Unified Convolutional Attention Network for Expansive Receptive Fields in Lightweight Super-Resolution
UCAN 通过窗口注意力与 Hedgehog Attention 结合，并引入蒸馏式大核模块，在极低计算量下扩大有效感受野，为轻量级超分辨率及其他图像复原任务提供了可复用的高效架构设计。
迈向摄影相机通用计算像差校正：一份全面的基准分析
Towards Universal Computational Aberration Correction in Photographic Cameras: A Comprehensive Benchmark Analysis
该基准为计算像差校正提供了跨24种图像复原算法的系统性评测，并引入光学退化评估器（ODE）量化任务难度，可直接用于评估和设计面向真实镜头的图像复原方法。
基于扩散框架实现照片级真实且高效的散景渲染
Towards Photorealistic and Efficient Bokeh Rendering via Diffusion Framework
将散景渲染与超分辨率统一进单个扩散框架，并用焦点感知掩码注意力与退化感知深度模块处理低分辨率真实图像，为手机端计算摄影中「先复原再渲染」的两阶段流水线提供了一体化替代方案。
迈向低光照理解的泛化表征：当信号恒常性遇上语义增强
Towards Generalized Representations for Low-Light Understanding: When Signal Constancy Meets Semantic Enrichment
把视觉基础模型的语义先验与光照不变信号先验耦合进低光照增强：用并行解码器重建光照不变分量做正则化、用 VFM 自相关图引导对比训练对齐语义空间，再用 CLIP 损失把语义线索注入像素级增强，可作为无真实低光数据下的通用域适应范式迁移到其他退化任务。
面向泛化的多模态单应性估计
Towards Generalized Multimodal Homography Estimation
用单张图像合成带真值偏移的未对齐图像对来替代真实配对数据，可作为任何需要几何配对监督的视觉任务（单应性、光流、匹配）的通用数据增广手段；同时其颜色与特征解耦、跨尺度融合的网络设计可直接迁移到跨模态配准。
迈向真实世界红外图像超分辨率：统一自回归框架与基准数据集
Toward Real-world Infrared Image Super-Resolution: A Unified Autoregressive Framework and Benchmark Dataset
提出热结构引导的自回归框架与条件自适应码本，可迁移到其他真实退化下的底层视觉任务（如低光增强、去模糊），其热序一致性损失为物理约束融入复原模型提供思路。
面向模糊到视频分解的时间特化事件-图像对齐
Time-Specialized Event-Image Alignment for Blur-to-Video Decomposition
把事件相机的微秒级时序信息用相对时间编码注意力与时间面动态形变显式对齐到任意查询时刻，为从单张模糊图恢复高帧率视频提供了可复用的时序对齐范式，也可迁移到事件引导的插帧与去模糊任务。
时间感知单步扩散网络用于真实世界图像超分辨率
Time-Aware One Step Diffusion Network for Real-World Image Super-Resolution
提出时间感知的VAE编码器和时间感知VSD损失，使单步扩散超分能根据时间步动态调整潜变量特征，从而更充分利用预训练SD在不同时间步的生成先验，并实现保真度与真实感的可控权衡。
无时序之时：面向时空超分辨率的伪时序表征
Time Without Time: Pseudo-Temporal Representation for Space-Time Super-Resolution
把单张图像复制成伪时序视频、并在各帧独立零填充随机像素区域，从而用纯图像数据集预训练 STVSR 网络；这种「无需真实视频即可预训练视频复原模型」的构造方式，可直接迁移到去噪、去模糊、帧插值等需要时序聚合的底层视觉任务。
热扩散至关重要：基于热传导先验的红外时空视频超分辨率
Thermal Diffusion Matters: Infrared Spatial-Temporal Video Super-Resolution through Heat Conduction Priors
把热扩散/热传导方程当作视频超分中时序插帧与时空一致性的物理先验，并用频域扩散合成中间帧、用可学习谱滤波的选择性状态空间模型做时空精修，这套「物理方程约束 + 频域扩散 + SSM」的组合可迁移到其他低采样率视频复原任务。
TextOVSR：文本引导的真实世界戏曲视频超分辨率
TextOVSR: Text-Guided Real-World Opera Video Super-Resolution
用退化描述文本作为负分支约束、内容描述文本作为正分支与判别器语义引导，为真实世界视频超分提供了一种可复用的文本条件化退化建模与跨模态融合思路，可直接迁移到其他低质档案视频复原任务。
面向高级视觉感知的任务感知图像信号处理器
Task-Aware Image Signal Processor for Advanced Visual Perception
把 ISP 从「还原好看图像」改成「为预训练视觉模型生成任务友好表征」，用少量多尺度调制算子替代稠密卷积，可直接插在 RAW 输入的下游检测/分割模型前，兼顾精度与延迟。
驯服生成式扩散模型用于任务导向红外成像
Taming Generative Diffusion Model for Task-Oriented Infrared Imaging
把扩散模型的多步采样压缩成单步、并用动态时间步估计对齐潜变量轨迹，这一思路可直接迁移到其他退化严重、需要物理约束的低层复原任务（如低光、去雾、医学成像）；同时用任务感知低秩适配把复原模型快速接到下游语义任务，是「复原+下游」联合设计的可复用范式。
TUDSR：用于更高超分辨率的两次上采样扩散
TUDSR: Twice Upsampling-Diffusion for Higher Super-Resolution
提出两阶段上采样扩散框架，通过循环分块训练策略在有限资源下实现高分辨率（2048²）图像超分，可复用于其他需要突破模型原生分辨率限制的生成任务。
TM-BSN：用于真实世界自监督图像去噪的三角掩码盲点网络
TM-BSN: Triangular-Masked Blind-Spot Network for Real-World Self-Supervised Image Denoising
提出三角掩码卷积，在原始分辨率下构造菱形盲点以匹配去马赛克噪声的相关性几何，避免下采样带来的噪声统计改变和上下文损失；并用知识蒸馏将多个盲点预测集成到轻量U-Net，为真实图像自监督去噪提供了可复用的架构设计。
用于快速红外与可见光视频融合的流式扩散模型
Streaming Diffusion Model for Fast Infrared and Visible Video Fusion
将预训练扩散模型的生成先验蒸馏到单步采样框架，并用记忆增强的潜变量管道与时序聚合适配器保证视频帧间一致性，为视频复原/融合任务提供高效且时序稳定的扩散方案。
统计特征引导的高分辨透射电子显微镜快速成像去噪
Statistical Characteristic-Guided Denoising for Rapid High-Resolution Transmission Electron Microscopy Imaging
把统计特征（空间偏差、频带能量）作为权重来调制卷积核与频域增益，是一种可迁移到其他强噪声成像域（低剂量 CT、荧光显微、天文成像）的去噪先验注入方式；其针对特定成像模态的噪声标定与仿真数据生成流程也值得在数据稀缺的科学成像任务中复用。
Spk2VidNet：一种用于从长脉冲相机流中高保真重建视频的分层循环架构
Spk2VidNet: A Hierarchical Recurrent Architecture for High-Fidelity Video Reconstruction from Long Spike-Camera Streams
针对脉冲相机低空间分辨率问题，提出分层循环网络从长脉冲流重建高分辨率图像序列，其分层扩大时序感受野、基于运动一致性的对齐模块和多尺度相似性融合模块可复用于其他时序超分或视频复原任务。
SpiralDiff：面向跨相机 RGB-to-RAW 转换的螺旋扩散与 LoRA
SpiralDiff: Spiral Diffusion with LoRA for RGB-to-RAW Conversion Across Cameras
把信号相关的噪声加权引入扩散采样过程，并按相机插入轻量 LoRA 分支，为「一个模型适配多台相机 ISP」提供了可复用的条件化与加权思路，可直接迁移到去噪、低光照增强等跨设备复原任务。
从散焦中获取光谱：基于色差焦栈的快速光谱成像
Spectrum from Defocus: Fast Spectral Imaging with Chromatic Focal Stack
把色差当作编码而非缺陷：用普通镜片的色散焦栈做光谱编码，再用快速物理迭代算法反解，为计算成像/光谱重建提供了一个光学极简、可解释的替代方案，可迁移到去模糊、深度-光谱联合估计等逆问题。
基于对抗展开与数据驱动光谱正则化的光谱超分辨率：从多光谱卫星数据到 NASA 高光谱图像
Spectral Super-Resolution via Adversarial Unfolding and Data-Driven Spectrum Regularization: From Multispectral Satellite Data to NASA Hyperspectral Image
把深度展开网络与数据驱动先验网络（PriorNet）结合，并在展开架构中嵌入对抗判别器，使判别器在训练与测试阶段都参与重建；这一「展开对抗学习」思路可迁移到其他病态逆问题（如去噪、去模糊、超分辨率）中，用轻量先验网络替代隐式深度先验以大幅降低 MACs 与参数量。
时空差分引导的互补视觉传感器运动去模糊
Spatio-Temporal Difference Guided Motion Deblurring with the Complementary Vision Sensor
把 CVS 传感器输出的高帧率多比特空间差分（SD，编码结构边缘）与时序差分（TD，编码运动线索）作为额外模态，用循环多分支网络迭代编码融合来引导 RGB 去模糊，为极端运动下的复原提供了「事件相机之外」的新传感模态与融合范式。
空间-光谱残差引导的扩散神经算子用于全色锐化
Spatial-Spectral Residuals Informed Diffusion Neural Operator for Pan-sharpening
用Galerkin型神经算子替代注意力去噪骨干网络，在扩散逆过程中显式注入像素级空间-光谱残差作为闭环引导，为图像融合与复原任务提供了一种兼顾效率与保真度的扩散采样框架。
基于单步扩散与语义时序引导的视频编码
Single-step Diffusion-based Video Coding with Semantic-Temporal Guidance
将单步扩散生成器与条件编码框架结合，利用缓冲特征提取帧自适应语义引导替代文本条件，并通过时序一致性引导增强帧间连贯性，为低码率视频压缩提供高效高感知质量的方案。
ShreddingNet：面向多源碎纸手稿的由粗到细复原方法
ShreddingNet: Coarse-to-Fine Restoration for Multi-Source Shredded Manuscripts
把「多源碎片拼接」形式化为先按来源聚类、再在候选集内做精细匹配的两阶段流程，其「错误匹配很少跨源」的假设可直接迁移到图像拼接、拼图复原、碎片化文档重建等需要鲁棒特征匹配与离群匹配剔除的视觉任务。
语义尺度空间：可控图像抽象化框架
Semantic Scale Space: A Framework for Controllable Image Abstraction
提出语义尺度空间框架，将平滑强度与语义粒度解耦，并用可控制的语义边界检测器指定平滑屏障；其自适应粒度调度平滑（AGSS）结合供体门控扩散算子与由细到粗的调度，可复用于需要选择性平滑或结构保持的视觉任务（如风格化、边缘保持滤波）。
SelfHVD：自监督手持视频去模糊
SelfHVD: Self-Supervised Handheld Video Deblurring
提出利用视频中的清晰线索作为自监督信号，并设计自增强视频去模糊与自约束空间一致性维护方法，可复用于其他缺乏配对数据的底层视觉任务。
面向统一零样本图像复原的自监督动态异质退化建模
Self-supervised Dynamic Heterogeneous Degradation Modeling for Unified Zero-Shot Image Restoration
把异质退化重参数化为少量物理一致的参数，并在潜空间中直接优化该分布，为统一零样本复原提供了一种紧凑的退化提示词构造方式；其动态质量精炼策略可迁移到其他扩散采样轨迹的自适应调整中。
自扩散驱动的盲成像
Self-Diffusion Driven Blind Imaging
把预训练扩散模型的去噪先验换成从纯噪声出发的自扩散反向过程，在无需任何训练数据的情况下联合迭代优化清晰图像与未知模糊核，可直接迁移到盲去模糊、盲去卷积等病态逆问题。
自注意力驱动的张量表示用于高阶数据恢复
Self-Attention Driven Tensor Representation for High-Order Data Recovery
把自注意力引入低秩张量分解的因子空间，用动态全局映射替代 MLP/CNN 的固定局部映射，可直接迁移到多光谱图像、视频、彩色图像等张量形式数据的补全与去噪任务中。
穿透模糊：应对脉冲成像中的散焦问题
Seeing Through Blur: Tackling Defocus in Spike-Based Imaging
把散焦形成过程用薄透镜近似显式建模成可学习的离散 PSF 先验，再配合多时序尺度 IF 神经元提取脉冲特征，为事件/脉冲类传感器上的空间变化去模糊提供了一个可复用的物理引导复原范式。
扫描聚类而非像素：面向高效超高清图像复原的聚类中心范式
Scan Clusters, Not Pixels: A Cluster-Centric Paradigm for Efficient Ultra-high-definition Image Restoration
将像素级序列扫描替换为聚类中心序列扫描，为超高清图像复原提供线性复杂度且保留全局上下文的新范式，可迁移到其他需要处理海量像素的视觉任务。
STCDiT：时空一致的扩散 Transformer 用于高质量视频超分辨率
STCDiT: Spatio-Temporally Consistent Diffusion Transformer for High-Quality Video Super-Resolution
利用预训练视频扩散模型做视频超分时，通过运动感知的 VAE 分段重建和锚帧潜变量引导来提升结构保真度与时序稳定性，这套思路可直接迁移到其他基于扩散模型的视频复原任务（如去噪、去模糊）。
SGDE：面向编码孔径压缩光谱成像的自监督几何退化估计框架
SGDE: Self-supervised Geometry Degradation Estimation Framework for Coded Aperture Compressive Spectral Imaging
将掩码错位建模为仿射变换并嵌入成像模型，以自监督方式联合估计退化参数与重建高光谱图像，该思路可迁移到其他对硬件对准敏感的编码成像系统（如编码曝光、结构光）中做在线退化校正。
SDUIE：基于定量-文本双重控制的半监督扩散水下图像增强
SDUIE: Semi-Supervised Diffusion for Underwater Image Enhancement with Quant-Text Dual Control
提出一种基于低秩适配权重合并的连续数值控制扩散模型，以及通过语义提示对齐实现文本引导增强的方法，可复用于其他需要细粒度可控的图像复原任务。
检索即复原：基于检索式退化库的高效一体化图像复原
Retrieve-to-Restore: Efficient All-in-One Image Restoration with a Retrieval-Based Degradation Bank
把退化知识外置成一个可检索的先验库，用退化匹配在推理时调制骨干网络特征，为多退化统一复原提供了一条解耦「退化适应」与「重建能力」的轻量思路，可直接迁移到去噪、去雨、去雾等多任务联合训练场景。
重新审视图像质量评估中的知识迁移：感知偏好结构对齐视角
Rethinking Knowledge Transfer in Image Quality Assessment: A Perceptual Preference Structure Alignment Perspective
对做IQA或任何需要跨数据集迁移的视觉任务，PPR/PPC提供了一种无需训练、可解释的源数据筛选准则：用视觉特征与质量分数的相关性刻画数据集特有的偏好结构，再据此挑选与目标域偏好结构一致的源样本，可直接用于跨域微调前的数据选择。
重新审视基于扩散模型的视频超分辨率：利用对齐特征提供稠密引导
Rethinking Diffusion Model-Based Video Super-Resolution: Leveraging Dense Guidance from Aligned Features
论文指出在特征域而非像素域做相邻帧信息补偿更有效，并给出「上采样分辨率下做warp更能保留高频但收益非单调」的实证结论；做视频复原/时序条件扩散的人可直接复用其光流引导warp模块与特征级时序条件注入方式，替代常见的像素域对齐+拼接。
复原、评估、重复：面向迭代图像复原的统一框架
Restore, Assess, Repeat: A Unified Framework for Iterative Image Restoration
把 IQA 作为复原流程中的评估环节嵌入潜空间，形成「复原—评估—再复原」的迭代闭环，可复用于处理未知或复合退化的 all-in-one 复原模型设计，并避免图像/文本解码带来的延迟与信息损失。
先复原文本、后增强图像：字形结构引导的两阶段场景文本图像超分辨率
Restore Text First, Enhance Image Later: Two-Stage Scene Text Image Super-Resolution with Glyph Structure Guidance
把「先恢复字形结构、再用结构引导整图超分」的解耦范式引入文本图像复原，可直接复用于场景文本识别前的预处理，或迁移到文档、车牌等含强结构先验的低质图像增强任务。
用于图像复原的残差扩散桥模型
Residual Diffusion Bridge Model for Image Restoration
把扩散桥的SDE前向/反向过程写成解析形式，并用残差调制噪声注入与去除，使退化区域被复原、未退化区域不被破坏——这套「按残差自适应加噪」的机制可直接迁移到去噪、去雨、超分等任意配对复原任务，也给出了现有桥模型的统一数学框架。
面向多维数据恢复的重参数化张量环函数分解
Reparameterized Tensor Ring Functional Decomposition for Multi-Dimensional Data Recovery
把张量环分解的因子用隐式神经表示参数化，使分解能作用于非网格数据（如点云），并通过频率域分析指出因子谱结构限制高频建模，再用「可学习潜张量×固定基」的重参数化改善训练动力学——这套思路可直接迁移到任意基于 INR 的连续信号重建与逆问题求解中。
面向不均衡纹理的遥感图像超分辨率：一种纹理感知扩散框架
Remote Sensing Image Super-Resolution for Imbalanced Textures: A Texture-Aware Diffusion Framework
把纹理密度图同时用作扩散的空间条件、损失调制和采样调度适配器，这一「先验图三用」的思路可直接迁移到其他需要抑制生成幻觉的复原任务（如医学影像、低光照增强）。
调控而非约束：全色锐化中复杂光谱重建的自适应引导
Regulating Rather than Constraining: Adaptive Guidance for Complex Spectral Reconstruction in Pansharpening
提出一种与架构无关的正则化引导机制，通过MixShuffle数据增强和分层注意力加权损失，可迁移到其他需要处理复杂光谱混合的低层视觉任务中。
RegionFuse：面向红外与可见光图像融合的区域自适应像素分布学习
RegionFuse: Region-Adaptive Pixel Distribution Learning for Infrared and Visible Image Fusion
将混合专家（MoE）与区域级注意力结合，按局部像素分布动态生成融合权重，这一「区域自适应权重生成」思路可直接迁移到多曝光融合、多模态特征融合、动态卷积等需要空间自适应加权的视觉任务。
ReflexSplit：基于层融合-分离的单图反射分离
ReflexSplit: Single Image Reflection Separation via Layer Fusion-Separation
把 Differential Transformer 的注意力相消机制推广到双流分离，用跨流相减显式抑制共享结构、放大层间差异，这一思路可直接迁移到去雨、去雾、去反光等需要解耦两个叠加成分的低层复原任务。
基于联合潜扩散的单图反射分离
Reflection Separation from a Single Image via Joint Latent Diffusion
把预训练扩散模型的生成先验显式微调用于单图反射分离，并用跨层自注意力与分离式采样在扩散过程中解耦透射层与反射层；对做图像复原的人，这是一套可直接迁移到其他「多成分叠加图像分解」任务的扩散采样与潜变量优化框架。
矫正潜空间以实现生成式单图像反射去除
Rectifying Latent Space for Generative Single-Image Reflection Removal
将编辑用途的潜扩散模型改造为图像复原工具，核心思路是通过反射等变VAE对齐潜空间与反射形成的线性物理过程，并用可学习任务特定文本嵌入和深度引导早分支采样提升生成质量，为利用生成模型解决高度病态逆问题提供了可复用的潜空间结构化方法。
ReasonX：多模态大语言模型引导的本征图像分解
ReasonX: MLLM-Guided Intrinsic Image Decomposition
把多模态大语言模型当作感知评判器，用其输出的相对本征比较构造 GRPO 奖励，从而在无标注真实图像上微调本征分解模型；这一「MLLM 比较式监督」范式可迁移到深度、法线、反照率等任何可定义成对关系的稠密预测任务上。
统一帧内帧间编码的实时神经视频压缩
Real-Time Neural Video Compression with Unified Intra and Inter Coding
提出统一的帧内/帧间编码模型与同时双帧压缩设计，可复用于视频压缩中的遮挡处理与误差传播抑制，并为实时视频传输提供高效神经编解码方案。
ReCoFuse：基于复原式多模态扩散互耦的超鲁棒图像融合
ReCoFuse: Ultra-Robust Image Fusion via Restorative Multi-Modal Diffusion Reciprocal Coupling
把扩散采样过程当作多模态复原先验的载体，在每个采样时间步插入跨模态整合模块并把聚合变量回灌到各复原分支，这种「复原-融合互促」的耦合结构可直接迁移到多传感器融合、低质图像增强等需要同时去退化与信息整合的任务。
RawMetaDiff：利用元数据引导扩散从双曝光RAW中解锁极端黑暗
RawMetaDiff: Unlocking Extreme Darkness from Dual-Exposure RAW with Meta-Guided Diffusion
利用RAW元数据引导扩散模型进行跨曝光对齐和颜色校正，为极端低光照图像复原提供可复用的生成式框架，其元数据辅助的颜色迁移和跨注意力机制可迁移到其他多帧融合任务。
RL-ScanIQA：强化学习扫描路径用于盲360度图像质量评估
RL-ScanIQA: Reinforcement-Learned Scanpaths for Blind 360deg Image Quality Assessment
将扫描路径生成与质量评估统一为端到端强化学习框架，利用PPO训练策略网络接收质量反馈，为视觉任务中模拟人类观看行为提供了可复用的范式。
面向真实智能手机超分辨率的RAW域退化模型
RAW-Domain Degradation Models for Realistic Smartphone Super-Resolution
用标定得到的设备特定模糊与噪声参数替代通用先验，把公开渲染图像 unprocess 到各手机 RAW 域构造成对训练数据，可直接迁移到其他 RAW 域复原任务（去噪、去模糊、低光增强）的合成数据构造环节。
QD-PCQA：面向点云质量评估的质量感知域自适应
QD-PCQA: Quality-Aware Domain Adaptation for Point Cloud Quality Assessment
将图像质量评估的预训练先验通过无监督域自适应迁移到点云质量评估，其中排序加权条件对齐和双域增强策略可复用于其他跨模态质量评估任务。
偏振状态追踪用于去反射与色彩一致重建
Polarization State Tracing for Reflection Removal and Color-Consistent Reconstruction
将偏振光在玻璃内的多路径传播与波长选择性吸收显式建模为成像模型（PSTM），为透过有色介质的去反射与色彩一致性复原提供了可复用的物理先验；其通道环形注意力（CRA）用于建模偏振通道间的角度依赖，可迁移到其他多通道/多视角偏振特征融合任务，恢复的偏振信息还能直接服务 Shape-from-Polarization 等下游几何任务。
PnP-CM：一致性模型作为逆问题的即插即用先验
PnP-CM: Consistency Models as Plug-and-Play Priors for Inverse Problems
将一致性模型视为先验的近端算子，嵌入ADMM即插即用框架，为视觉逆问题（如MRI重建、超分、去模糊）提供无需任务特定训练、仅需2-4步NFE的通用求解器。
物理引导的多步形变反演用于古代竹简复原
Physics-Guided Multistep Deformation Reversal for Ancient Bamboo Slip Restoration
把扩散模型的"预测噪声"换成"预测物理反演位移场"，并用木材纤维微结构与应力扩散耦合构造可计算的正向形变模型——这套"物理正向模拟+逐步反演"的思路可直接迁移到其他非刚性形变复原任务（褶皱文档、弯曲织物、软体形变）。
物理一致的扩散模型：通过多尺度残差校正实现高效流体超分辨率
Physics-Consistent Diffusion for Efficient Fluid Super-Resolution via Multiscale Residual Correction
把多网格残差校正与多小波多尺度基嵌入扩散逆向过程，可在少步采样下保持谱保真并抑制伪散度，这一思路可迁移到其他受物理方程约束的图像复原任务（如PIV/流场重建、遥感反演）中作为采样加速与物理一致性约束的通用插件。
基于帧共享退化参数的物理驱动大气湍流去除
Physically-Grounded Turbulence Mitigation with Frame-Shared Degradation Parameters
把「倾斜-再模糊」物理退化模型参数化为场景共享相关函数加逐帧噪声图，为视频/多帧复原中退化参数估计的病态性提供了一种跨帧共享的优化式解法，可迁移到其他逐帧退化估计任务。
PhaSR：物理对齐先验的泛化图像阴影去除
PhaSR: Generalized Image Shadow Removal with Physically Aligned Priors
把 Gray-world 归一化、对数域 Retinex 分解与动态范围重组整合成闭式光照校正模块，并用扩展的差分注意力对齐深度几何与 DINO-v2 语义特征，可为其他光照解耦类复原任务（低光照增强、去雾）提供可复用的先验对齐范式。
基于颜色分离与排序链的感知神经视频压缩
Perceptual Neural Video Compression with Color Separation and Rank Chain
把亮度与色度解耦处理并分别分配计算与码率预算，再配合基于码率的排序链损失做感知优化，这套思路可直接迁移到任何需要兼顾保真度与感知质量的低层视觉编码/复原任务中。
视差对齐一切：面向分布式多视图图像压缩的全视差注意力机制
Parallax to Align Them All: An OmniParallax Attention Mechanism for Distributed Multi-View Image Compression
OPAM 提供了一种显式建模任意两路信息源相关性的通用注意力机制，可复用于多视图立体、光场处理等需要跨视图对齐的任务；其分布式解码框架也为多相机系统下的低带宽传输提供了新思路。
Pano360：从透视到全景视觉的几何一致性方法
Pano360: Perspective to Panoramic Vision with Geometric Consistency
把2D成对特征匹配的对齐任务搬到3D摄影测量空间，用相机位姿直接引导图像warping做全局对齐，并用多特征联合优化求接缝；对做全景/宽基线拼接、多视图对齐的人，这是一个可复用的「位姿引导+全局优化」范式。
PS-SR：基于投机扩散的伪单步视频超分辨率
PS-SR: Pseudo-Single-Step Video Super-Resolution via Speculative Diffusion
把「单步扩散 + 轻量草稿模型投机式精修」的非对称采样流程用于视频超分，并用频域更新规则把精修限制在高频注入上，为少步扩散复原提供了一条兼顾速度与细节的可复用思路。
PR-IQA：面向扩散式新视角合成的部分参考图像质量评估
PR-IQA: Partial-Reference Image Quality Assessment for Diffusion-Based Novel View Synthesis
提出部分参考图像质量评估（PR-IQA），用不同位姿的参考图在重叠区域计算几何一致的质量图，再通过交叉注意力补全为全图质量图；可直接用于筛选扩散生成伪真值视图中的高置信区域，为扩散增强的3DGS等重建流程提供免真值的监督掩码。
面向逆问题的离群点鲁棒扩散求解器
Outlier-Robust Diffusion Solvers for Inverse Problems
把 Huber 型迭代重加权最小二乘与共轭梯度求解嵌入扩散逆问题采样，为测量含离群点（如去噪、超分、修复中的坏像素/遮挡）时提供可直接替换的鲁棒求解器。
面向可控真实世界图像超分辨率的单步扩散 Transformer
One-Step Diffusion Transformer for Controllable Real-World Image Super-Resolution
把 Qwen-Image 这类大规模扩散 Transformer 改造成单步 Real-ISR 的骨干，用双视觉流（可调噪声 + 一致噪声）在一步内同时保住保真度与提示词可控性，可直接迁移到其他单步复原/翻译式复原任务（去噪、去模糊、老照片修复）并复用其 FAA 训练策略。
OMoBlur：面向真实世界局部运动去模糊的物体运动模糊数据集与基准
OMoBlur: An Object Motion Blur Dataset and Benchmark for Real-World Local Motion Deblurring
针对静态场景中空间异质的局部物体运动模糊，提供了通过可编程传感器控制模拟曝光光子积分过程的采集方案，并给出无需像素级精确掩码的物体运动感知去模糊网络（运动-外观提取块 + 光流引导门控预测 + 自适应门控融合），可直接用于研究局部运动去模糊与真实模糊分布对齐问题。
下一尺度预测：一种用于真实世界图像去噪的自监督方法
Next-Scale Prediction: A Self-Supervised Approach for Real-World Image Denoising
提出跨尺度训练对构建方式，将噪声去相关与细节保留解耦，可推广到其他自监督底层视觉任务（如去模糊、超分）中，避免像素洗牌下采样对结构的破坏。
神经动力学驱动的耦合神经P系统用于多聚焦图像融合
Neurodynamics-Driven Coupled Neural P Systems for Multi-Focus Image Fusion
用脉冲发放计数直接生成边界精确的决策图、免去后处理，这一思路可迁移到其他需要像素级二值决策的低层融合任务（如曝光融合、去雾中的区域选择），并为用生物可解释模型替代黑盒融合网络提供参考。
NEC-Diff：面向极端黑暗运动场景的噪声鲁棒事件-RAW 互补扩散模型
NEC-Diff: Noise-Robust Event-RAW Complementary Diffusion for Seeing Motion in Extreme Darkness
对做低光照成像与事件相机融合的研究者，这篇提供了两个可复用思路：用 RAW 的线性光响应与事件亮度变化构造物理约束做双模态去噪，以及基于去噪结果动态估计两模态 SNR 来引导自适应特征融合并注入扩散采样过程。
NAF：基于邻域注意力滤波的零样本特征上采样
NAF: Zero-Shot Feature Upsampling via Neighborhood Attention Filtering
NAF 提供了一种与具体 VFM 无关的零样本特征上采样器，可直接插在任意视觉基础模型（如 DINOv2、SAM）之后，为分割、深度估计等像素级任务恢复高分辨率特征，无需针对每个 VFM 重新训练；其跨尺度邻域注意力 + RoPE 的权重预测方式也可迁移到其他需要内容自适应滤波的环节。
Multinex：基于多先验 Retinex 的轻量低光照图像增强
Multinex: Lightweight Low-light Image Enhancement via Multi-prior Retinex
把 Retinex 残差形式与多先验（光照/颜色先验栈）结合，用极轻量网络只学亮度与反射率调整量而非重建整图，为边缘端低光照增强提供了一个可复用的分解-融合范式与 45K/0.7K 参数级的基线。
多粒度感知语义原型扫描与三词元提示学习驱动的高阶 RWKV 全色锐化
Multigrain-aware Semantic Prototype Scanning and Tri-Token Prompt Learning Embraced High-Order RWKV for Pan-Sharpening
将 RWKV 的栅格扫描替换为基于局部敏感哈希的语义原型扫描，并用全局/原型/寄存器三词元提示词注入语义先验，可直接迁移到其他线性复杂度视觉骨干的全局建模与词元重排设计中。
面向压缩感知的多尺度梯度引导展开架构与自适应 Mamba
Multi-Scale Gradient-Guided Unrolling Architecture with Adaptive Mamba for Compressive Sensing
把 Mamba 状态空间块嵌入 PGD 展开框架，用多尺度展开与高维梯度融合替代跨阶段同质化特征提取，为图像复原类逆问题提供兼顾全局感受野与效率的可解释网络骨架。
通过干预稳定特征学习的多模态图像融合
Multi-Modal Image Fusion via Intervention-Stable Feature Learning
把因果干预（互补掩码、同区域随机掩码、模态 dropout）当作构造训练信号的手段，配合自适应不变性门控筛选「跨扰动模式仍重要」的特征，可直接迁移到多模态融合、跨模态对齐以及模态缺失下的鲁棒表征学习。
超越所见：通过语义-像素熵权衡实现零样本泛化的统一图像融合框架
More Than Meets the Eye: A Unified Image Fusion Framework via Semantic-Pixel Entropy Trade-off for Zero-Shot Generalization
提出基于自由能原理的语义-像素熵权衡范式与频率感知特征解耦机制，可复用于多模态图像融合、零样本泛化到未见融合任务，并为无监督融合提供统一优化目标。
不再缺失：缺失红外条件下的字典引导跨模态图像融合
Missing No More: Dictionary-Guided Cross-Modal Image Fusion under Missing Infrared
把跨模态融合从像素空间生成搬到共享卷积字典的系数域，用「编码-迁移-融合-重建」闭环替代不可控的像素级生成；对做多模态融合、缺失模态补全的研究者，这套字典-系数表示提供了一个可解释、可复用且能接下游检测的替代范式。
MetaSpectra+：用于快照高光谱+成像的紧凑宽带超表面相机
MetaSpectra+: A Compact Broadband Metasurface Camera for Snapshot Hyperspectral+ Imaging
用超表面-折射混合组件在单次曝光内同时编码光谱、曝光与偏振，为计算成像中的多路复用采集与后续重建提供了一种紧凑硬件方案；做高光谱重建或快照多模态成像的工作可借鉴其通道独立色散控制的设计思路与重建精度基准。
MatchED：基于端到端匹配监督的清晰边缘检测
MatchED: Crisp Edge Detection Using End-to-End, Matching-based Supervision
用可微的一对一匹配替代 NMS 与骨架细化这类不可微后处理，把「训练-测试协议一致性」引入边缘检测；做低层结构预测（边缘、线、骨架、关键点细化）时可直接把该 21K 参数的匹配监督模块挂到现有模型上，实现端到端输出单像素宽结果。
MambaSIC：基于 Mamba 与双向多参考熵模型的立体图像压缩
MambaSIC: Mamba-based Stereo Image Compression with Bi-directional Multi-reference Entropy Model
用 Mamba 状态空间块替代交叉注意力来建模立体视图间的冗余，并用棋盘格分区的双向多参考熵模型替代空间自回归，为视觉压缩类任务提供了「线性复杂度 + 并行熵编码」的可复用范式，可直接迁移到视频压缩、光场压缩等多视图场景。
MR. Illuminate：基于扩散先验的零样本低光照图像增强
MR. Illuminate: Zero-Shot Low-Light Image Enhancement with Diffusion Prior
利用预训练扩散模型的自注意力特征做局部结构/颜色精修，并用 AdaIN 调制全局光照与色彩，无需任何优化或退化假设即可零样本增强——这为把扩散模型的内部特征当作免训练先验用于底层复原任务提供了可复用范式。
MMDIR：多模态指令驱动的混合退化文档图像复原框架
MMDIR: Multimodal Instruction-Driven Framework for Mixed-Degradation Document Image Restoration
提出用语义结构化指令动态识别混合退化类型（模糊、阴影、文字水印、印章），为文档图像复原提供了一种可复用的多模态条件控制思路；同时发布的 MixedDoc 基准填补了真实混合退化数据集的空白，可用于评估模型在复杂退化下的鲁棒性。
MERIT：多域高效 RAW 图像翻译
MERIT: Multi-domain Efficient RAW Image Translation
把跨相机 RAW 域差异当作图像翻译问题，用单一模型覆盖任意源-目标相机对，并提出传感器感知的噪声建模损失对齐信号相关噪声统计；对做 RAW 域泛化、低层复原或多相机数据统一预处理的视觉研究者，这是一个可直接复用的噪声对齐思路和统一翻译框架。
MEMO：使用掩码边缘预测实现类人的清晰边缘检测
MEMO: Human-like Crisp Edge Detection Using Masked Edge Prediction
提出「掩码边缘预测 + 按置信度渐进定稿」的训练/推理范式，无需专用损失或改网络即可把粗边缘细化到单像素级；其置信度梯度观察与渐进预测策略可迁移到其他密集预测任务（如显著性、抠图、二值分割）的细化环节。
Lumosaic：基于主动照明与编码曝光像素的高光谱视频
Lumosaic: Hyperspectral Video via Active Illumination and Coded-Exposure Pixels
把可编程窄带 LED 阵列与编码曝光像素（CEP）相机同步，在单帧内联合编码空间-时间-光谱信息，再用学习式重建恢复 31 通道高光谱视频；这套「主动照明 + 亚帧曝光编码 + 学习重建」的采集-重建联合设计，可为快照式光谱成像、动态场景计算成像提供可复用的硬件编码与重建思路。
低秩残差扩散模型
Low-Rank Residual Diffusion Models
把扩散过程约束在低秩残差子空间里，并让前向低秩、反向满秩，这种非对称扩散设计可直接迁移到去雨、去模糊等近域复原任务，用来降低采样不确定性并保住结构细节。
LightRR：一种用于单图像去反射的轻量级网络
LightRR: A Lightweight Network for Single Image Reflection Removal
把 DWT 频域分解与 Mamba 状态空间建模结合成非对称频域模块，在低分辨率子带上做长程依赖建模，为轻量化复原网络提供了可复用的频域-序列混合骨干设计；同时用知识蒸馏把大预训练编码器的表征迁移到小模型，是低算力部署场景下值得借鉴的训练范式。
Life-IQA：通过 GCN 增强的层间交互与基于 MoE 的特征解耦提升盲图像质量评价
Life-IQA: Boosting Blind Image Quality Assessment through GCN-enhanced Layer Interaction and MoE-based Feature Decoupling
用 GCN 增强的跨层交叉注意力替代普通 Transformer 解码器做质量特征解码，并用 MoE 按失真类型分专家解耦特征，这套「层间交互 + 专家解耦」的解码思路可迁移到其他需要融合骨干网络浅层与深层特征的回归/预测任务。
利用多光谱传感器进行移动相机颜色校正
Leveraging Multispectral Sensors for Color Correction in Mobile Cameras
提出了一种端到端联合利用高分辨率RGB和低分辨率多光谱传感器进行颜色校正的框架，可复用于其他需要融合多传感器数据的底层视觉任务，如去噪、超分等。
基于可微光线追踪的镜片组件删除
Lens Component Deletion based on Differentiable Ray Tracing
把可微光线追踪与后处理网络端到端联合优化，并给出基于 Rayleigh-Sommerfeld 衍射模型的高效 PSF 估计，可直接用于计算摄影中镜头-算法协同设计、像差校正与轻量化成像系统的搭建。
学习看哪里与如何判断：基于质量感知显著性的分辨率无关图像质量评价
Learning Where to Look and How to Judge: Resolution-agnostic Image Quality Assessment with Quality-aware Saliency
用 CLIP 多尺度定长 patch 采样保留原分辨率质量线索，并用轻量显著性估计器挑选少量信息 patch 再聚合打分，这套「先学看哪里、再判断质量」的预算自适应流程可直接迁移到超分/去噪等复原任务的质量评估与训练奖励。
学习潜透射与眩光图用于镜头眩光去除
Learning Latent Transmission and Glare Maps for Lens Veiling Glare Removal
把 veiling glare 建模为空间变化、与深度无关的散射过程，用无监督方式从目标图像反推潜透射图与眩光图，再以可逆约束引导复原网络；这套「先估计物理潜图、再做逆散射复原」的范式可直接迁移到低光、雾霾、镜头污渍等复合退化复原任务，其合成配对数据流程也可用于缺乏真实配对数据的复原问题。
基于稀疏注意力与自适应频率的学习图像压缩
Learned Image Compression via Sparse Attention and Adaptive Frequency
跨稀疏窗口注意力用少量窗口条件化的全局 token 建模长程依赖，在计算量低于标准窗口自注意力的同时提升效果，可直接迁移到其他需要高效全局建模的视觉骨干；内容自适应频率变换与仅训练期去噪正则化也为潜变量结构化和零推理开销的质量提升提供了可复用思路。
语言引导的单步扩散模型用于夜间眩光去除
Language-Guided One-Step Diffusion Model for Nighttime Flare Removal
把视觉语言模型提取的细粒度文本语义作为条件注入单步扩散，并用语义感知分布蒸馏稳定一步采样，可迁移到其他强退化复原任务（如夜间去雨、去雾、镜头污渍去除）中，用语义先验约束被遮挡区域的生成。
LRHDR：学习表示增强的HDR视频重建
LRHDR: Learning Representation-enhanced HDR Video Reconstruction
提出无需显式对齐的跨曝光一致表示学习与像素级稀疏加权融合，可复用于多帧融合、曝光不一致下的视频增强等底层视觉任务。
LRDUN：面向高效光谱压缩成像的低秩深度展开网络
LRDUN: A Low-Rank Deep Unfolding Network for Efficient Spectral Compressive Imaging
把低秩分解显式嵌入感知模型，使展开网络的每一阶段只在低维光谱基/子空间图像上做近端梯度更新，从而缓解 2D 残差映射回 3D 高光谱的病态性并降低计算量；这套「低秩感知模型 + 展开优化」思路可直接迁移到其他高维逆问题（视频快照压缩成像、多光谱去马赛克）。
LF-BVN：用于自监督光场去噪的盲视角网络
LF-BVN: Blind-View Network for Self-Supervised Light Field Denoising
将盲点去噪原理从单图扩展到光场多视图，利用视角间噪声不相干性构造自监督信号，并引入几何不变性掩码与潜变量体一致性约束，为无干净数据的光场去噪提供了可复用框架。
协同展开的联合光谱图像重建与语义分割
Joint Spectral Image Reconstruction and Semantic Segmentation with Cooperative Unfolding
将重建与分割两个任务耦合进同一个深度展开框架，并用跨聚合超令牌注意力在两者之间传递表征，为「复原任务与高层任务联合优化」提供了可复用的展开式设计思路。
双管齐下：周期性与方向性的二重奏用于连拍闪烁去除
It Takes Two: A Duet of Periodicity and Directionality for Burst Flicker Removal
针对短曝光连拍中的结构化闪烁伪影，提出基于Transformer的复原框架，利用相位相关融合帧间特征、自相关捕捉帧内结构规律、小波域方向注意力定位伪影，为特定退化模式的定制化复原提供了可复用的设计思路。
光子间隔极限下的视频成像
Inter-Photon-Limited Videography
提出神经通量场（Neural Flux Fields），将光子到达的统计建模与神经网络先验结合，用于在光子间隔极限下重建动态场景视频，为极低光照或高速视频采集提供可复用方法。
InstantViR：基于蒸馏扩散先验的实时视频逆问题求解器
InstantViR: Real-Time Video Inverse Problem Solver with Distilled Diffusion Prior
把双向视频扩散教师蒸馏成因果自回归学生，单次前向即可完成视频修复，无需测试时迭代优化；这套「先验驱动蒸馏 + 轻量变分自编码器」的范式可直接迁移到其他需要实时推理的扩散先验逆问题求解器。
IFCSR：面向单步扩散真实世界图像超分辨率的免推理保真度-真实感控制
IFCSR: Inference-Free Fidelity-Realism Control for One-Step Diffusion-based Real-World Image Super-Resolution
把保真度-真实感的可调控制从潜空间搬到图像空间，使一次推理后即可无额外推理地连续调节权衡，可直接复用于其他单步扩散复原任务（去噪、去模糊）的可控性设计。
IAFMNet：面向高效超分辨率的信息感知特征调制
IAFMNet: Information-Aware Feature Modulation for Efficient Super-Resolution
用无监督估计的信息密度图引导稀疏卷积与仿射调制，把计算动态集中到纹理/边缘区域，为高效超分及其他密集预测任务提供可复用的「按信息量分配算力」范式。
用于图像复原的混合智能体
Hybrid Agents for Image Restoration
将多模态大语言模型与轻量级LLM结合为快慢双智能体，通过指令微调与上下文学习实现图像复原任务的自动工具调用与混合退化去除，为构建可交互、自适应的复原系统提供了可复用的智能体框架。
以人为中心的多曝光融合：基准与双层认知蒸馏框架
Human-Centric Multi-Exposure Fusion: Benchmark and Bi-level Cognition Distillation Framework
把EEG认知信号作为教师端的先验来监督低层视觉特征学习，再蒸馏到只用图像输入的轻量学生网络，为「用生理信号定义感知质量、但推理时不需要生理信号」提供了一套可复用的双层优化范式，可直接迁移到去噪、增强等其它低层任务的主观质量对齐。
基于事件的高质量高效湍流抑制
High-Quality and Efficient Turbulence Mitigation with Events
把事件相机的微秒级时序信息当作运动与结构先验，用极性加权梯度做场景细化、用事件管（event tube）约束把动态物体从湍流扰动中解耦，从而在极少帧下完成复原；这套「事件先验 + 少帧复原」思路可直接迁移到低光照、去模糊、视频稳定等时序退化复原任务。
HiDRA：面向红外视觉增强的分层退化表征与生成先验自适应
HiDRA: Hierarchical Degradation Representation and Adaptation with Generative Priors for Enhancing Infrared Vision
把退化模式显式建模成可解耦的表征，再用它去条件化生成模型的参数微调，这个「退化表征→参数自适应」的范式可以直接迁移到低光照、去噪、去模糊等复合退化复原任务上，尤其是可见光预训练扩散先验跨域适配到非可见光成像的场景。
以鼓之形听其室：基于模态引导的多点表面振动声音恢复
Hearing the Room Through the Shape of the Drum: Modal-Guided Sound Recovery from Multi-Point Surface Vibrations
把「视觉麦克风」从薄膜/扬声器等良响应物体推广到响应差或强共振的固体：用散斑成像同时采集多点多轴表面振动，再借物体振动模态建立物理正演模型并反演共振传递函数，为基于视觉的非接触声学传感提供了一条可复用的多测点融合反演思路。
利用快速旋转辐条状中性密度滤光片从多衰减脉冲重建高帧率与高动态范围视频
HFR and HDR Video from Multi-Attenuated Spikes Using a Rapidly Rotating SpokeND Filter
用旋转辐条状中性密度滤光片让脉冲相机每个像素周期性获得多档衰减，从而在单传感器上同时恢复空间一致的增益与高帧率 HDR 视频；这套「空间-时序联合衰减 + 增益恢复」思路可迁移到事件相机/脉冲相机的 HDR 与高速成像重建。
HDW-SR：基于小波分解的高频引导扩散模型用于图像超分辨率
HDW-SR: High-Frequency Guided Diffusion Model based on Wavelet Decomposition for Image Super-Resolution
把扩散过程限制在残差图上、并用小波子带做稀疏交叉注意力提供高频显式引导，这套「频域分解 + 残差扩散」思路可直接迁移到去模糊、去噪、压缩伪影去除等其它复原任务的高频细节恢复。
基于陀螺仪的深度视频去模糊
Gyro-based Deep Video Deblurring
利用陀螺仪测量的旋转运动与估计的平移运动联合构建模糊核，并输入视频去模糊网络，为视频去模糊提供了新的传感器融合思路和可复用的模糊核构建方案。
通过弱到强学习实现可泛化的视频质量评估
Generalizable Video Quality Assessment via Weak-to-Strong Learning
把「弱到强学习」当作绕开人工标注的通用范式：用现成 VQA 模型与合成失真模拟器作为弱教师，通过 learn-to-rank 融合异构监督信号，并迭代地把强学生回收为教师，可直接迁移到其他缺乏标注的低层视觉任务（如去噪、超分的主观质量预测）。
基于高斯泼溅的低秩张量表示用于多维图像恢复
Gaussian Splatting-based Low-Rank Tensor Representation for Multi-Dimensional Image Recovery
用2D/1D高斯泼溅参数化张量奇异值分解中的潜变量张量与变换矩阵，为多维图像提供连续、紧凑且能捕捉局部高频信息的表示，可迁移到高光谱/视频等低层复原任务中替代固定基变换。
GSNR：用于逆问题的图平滑零空间表示
GSNR: Graph Smooth Null-Space Representation for Inverse Problems
GSNR 提供了一种在逆问题求解中显式约束零空间分量的通用机制，可即插即用地集成到 PnP、DIP 和扩散求解器中，为图像复原任务带来一致性的 PSNR 提升。
GFRRN：弥合单图反射去除中的鸿沟
GFRRN: Explore the Gaps in Single Image Reflection Removal
用可学习 Mona 层做 PEFT 对齐预训练特征与复原模型特征，并用标签生成器统一合成/真实反射标签，可直接迁移到去雨、去雾等存在合成-真实域差的低层复原任务。
GDPO-SR：面向单步生成式图像超分辨率的组直接偏好优化
GDPO-SR: Group Direct Preference Optimization for One-Step Generative Image Super-Resolution
将GRPO的组相对优势思想引入DPO，实现在线生成样本的偏好优化，并设计属性感知奖励函数动态评估局部细节，可复用于其他单步扩散复原任务（如去噪、去模糊）的微调。
FusionRegister：每一对红外与可见光图像融合都值得配准
FusionRegister: Every Infrared and Visible Image Fusion Deserves Registration
提出一种由视觉先验引导的跨模态配准方法，可直接作用于融合结果，避免预配准步骤，为红外与可见光图像融合提供高效鲁棒的配准方案。
从事件到清晰：事件引导的扩散框架用于去雾
From Events to Clarity: The Event-Guided Diffusion Framework for Dehazing
将事件相机的高动态范围（HDR）和微秒级延迟特性引入去雾任务，通过事件引导模块将稀疏事件特征映射到扩散潜变量空间，为生成过程提供精确的结构条件，缓解语义漂移。该思路可推广到其他低层视觉任务（如低光照增强、运动去模糊）中，利用事件相机弥补RGB帧动态范围不足的问题。
FreqSIC：频率感知的双向棋盘上下文立体图像压缩
FreqSIC: Frequency-aware Stereo Image Compression with Bi-directional Checkerboard Context Model
把立体图像压缩中的跨视角冗余建模拆到高/低频分量上分别处理，并用棋盘式非自回归上下文替代逐点自回归熵模型，可直接复用到需要低延迟熵编码的立体匹配、双目深度与光场压缩管线中。
FoundIR-v2：为图像复原基础模型优化预训练数据配比
FoundIR-v2: Optimizing Pre-Training Data Mixtures for Image Restoration Foundation Model
把「不同复原任务的数据配比」当作可优化的变量，用数据混合律做动态调度，并用 MoE 调度器为每个任务分配任务自适应的扩散先验；做 all-in-one 复原或多任务联合训练时，可直接借鉴这套数据均衡调度与专家路由思路。
FlowFM：以流匹配推进暗光光流估计
FlowFM: Advancing Dark Optical Flow Estimation with Flow Matching
把流匹配从生成任务迁移到条件回归任务（暗光光流），用真值约束的全局变换路径加单步去噪替代扩散式迭代采样，并用傅里叶幅度/相位解码器恢复暗光下丢失的运动信息，可作为低光照稠密预测任务的通用加速范式。
FlashVSR：面向实时扩散式流式视频超分辨率
FlashVSR: Towards Real-time Diffusion-Based Streaming Video Super Resolution
面向实时视频超分，提出三阶段蒸馏流水线把多步扩散压缩为单步流式推理，并用局部约束稀疏注意力弥合训练-测试分辨率差距；做扩散加速或高分辨率视频复原时可直接借鉴这两套机制。
FinPercep-RM：面向基于强化学习的真实世界超分辨率的细粒度奖励模型与协同进化课程
FinPercep-RM: A Fine-grained Reward Model and Co-evolutionary Curriculum for RL-based Real-world Super-Resolution
提出细粒度感知奖励模型（全局分数+感知退化图）和协同进化课程学习策略，可复用于基于强化学习的图像复原任务中，缓解奖励黑客问题并提升局部真实感。
FiDeSR：高保真且细节保持的单步扩散超分辨率
FiDeSR: High-Fidelity and Detail-Preserving One-Step Diffusion Super-Resolution
单步扩散超分中引入潜变量残差修正与高低频自适应增强器，可在不重训练的前提下调节重建保真度与细节，为少步扩散复原提供可复用的推理期增强思路。
FastGaMer：面向实用逆色调映射的高效增益图学习
FastGaMer: Efficient GainMap Learning for Practical Inverse Tone Mapping
把 HDR 重建从直接回归像素值改为重建逐通道颜色增益图，并用双边网格与可学习 3D LUT 分别反转局部/全局退化，这一「镜像退化过程」的分解思路可迁移到其他需要恢复被非线性压缩信息的复原任务（如低光照增强、压缩伪影去除）。
Face2Scene：以人脸退化为先验的扩散式场景复原
Face2Scene: Using Facial Degradation as an Oracle for Diffusion-Based Scene Restoration
把已复原的人脸与退化人脸构成配对，从中提取退化编码，再转成多尺度 token 作为扩散模型的条件，从而用单步扩散复原整幅场景；这一「以局部高质量复原结果反推退化属性、再引导全局复原」的思路，可迁移到其他需要显式退化建模的复原任务。
F^2HDR：通过光流适配器与物理运动建模的两阶段 HDR 视频重建
F^2HDR: Two-Stage HDR Video Reconstruction via Flow Adapter and Physical Motion Modeling
论文提出的光流适配器可将通用光流模型适配到跨曝光对齐任务，这种轻量适配思路可迁移到其他需要跨域光流估计的视觉任务（如视频去噪、去模糊中的对齐）；物理运动建模用于识别显著运动区域，为动态场景下的特征聚合提供了一种可复用的运动先验注入方式。
FRAMER：频率对齐的自蒸馏与自适应调制，利用扩散先验实现真实世界图像超分辨率
FRAMER: Frequency-Aligned Self-Distillation with Adaptive Modulation Leveraging Diffusion Priors for Real-World Image Super-Resolution
提出一种即插即用的训练方案，利用扩散模型内部特征图的频域分解（LF/HF）进行自蒸馏，通过对比损失和自适应调制增强高频细节重建，可推广到其他基于扩散先验的低层视觉任务。
FAPE-IR：面向一体化图像复原的频率感知规划与执行框架
FAPE-IR: Frequency-Aware Planning and Execution Framework for All-in-One Image Restoration
将冻结的多模态大语言模型作为规划器生成频率感知的复原计划，并驱动基于LoRA的混合专家扩散执行器，为统一图像复原提供了可解释的语义规划与频率专家动态选择相结合的新范式。
ExpoCM：曝光感知的单步生成式单图 HDR 重建
ExpoCM: Exposure-Aware One-Step Generative Single-Image HDR Reconstruction
把单图 HDR 重建重构成概率流 ODE 并用曝光分区构造区域条件一致性轨迹，实现免蒸馏单步推理；这套「软曝光掩码 + 区域条件轨迹」思路可直接迁移到去噪、低光照增强、去模糊等退化随空间位置变化的复原任务，同时其 CIE Lab 空间的亮度-色度加权损失可缓解生成式复原常见的亮度偏置与色偏。
探索视频级压缩光谱重建中的时空特征传播：数据集、模型与基准
Exploring Spatiotemporal Feature Propagation for Video-Level Compressive Spectral Reconstruction: Dataset, Model and Benchmark
把逐帧光谱重建升级为视频级重建，用「先空间后时序」的注意力加桥接词元在相邻帧间传播光谱特征，可直接迁移到视频去噪、去模糊等需要时序一致性的复原任务。
基于事件的无配对数据运动去模糊
Event-based Motion Deblurring with Unpaired Data
提出无配对事件去模糊框架，利用事件物理先验和生成式模糊建模，为缺乏配对数据的底层视觉任务提供可复用思路。
事件-光照协同的低光照图像增强与高分辨率真实世界数据集
Event-Illumination Collaborative Low-light Image Enhancement with a High-resolution Real-world Dataset
事件相机与图像融合的低光照增强框架，其光照感知事件滤波（IAEF）和事件-光照协同交互（EICI）模块可复用于其他事件-图像融合任务；同时发布的首个高分辨率真实事件-图像配对数据集为事件视觉研究提供基准。
基于任务导向三维高斯事件表征的事件相机运动去模糊
Event-Based Motion Deblurring Using Task-Oriented 3D Gaussian Event Representations
把事件流用可学习的3D高斯核聚合成对运动方向和速度敏感的局部运动特征，替代手工事件表征（如事件帧、体素网格），可直接迁移到其他事件相机+RGB的底层视觉任务（去模糊、插帧、HDR重建）中作为事件编码前端。
事件结构谷：事件相机自动对焦的统一理论与实践框架
Event Structural Valley: A Unified Theoretical and Practical Framework for Event Camera Autofocus
提出事件率曲线在真实对焦处出现局部极小值的反直觉现象，并给出基于双峰约束的谷值检测方法，可启发基于事件相机的低层视觉任务（如去模糊、深度估计）利用事件率结构而非峰值进行状态估计。
基于概率通量估计的事件流滤波
Event Stream Filtering via Probability Flux Estimation
把事件流建模为辐照度轨迹随机扩散产生的阈值穿越概率通量，用核方法做非参数估计并以 O(1) 递归求解器实时重建连续事件密度流，可作为事件相机前端去噪模块直接接入下游重建或运动估计流程。
通过基于解混的丰度融合学习增强未配准高光谱图像超分辨率
Enhancing Unregistered Hyperspectral Image Super-Resolution via Unmixing-based Abundance Fusion Learning
针对未配准参考图像的超分辨率问题，提出基于解混的丰度融合框架，利用可变形聚合和交叉注意力实现空间-光谱信息解耦与融合，可迁移到其他多模态图像融合任务。
阐明基于任意噪声的扩散模型的设计空间
Elucidating the Design Space of Arbitrary-Noise-Based Diffusion Models
将扩散模型的设计空间从固定高斯噪声推广到任意噪声模式，为图像复原任务提供了一种可减少复原距离、且不增加计算开销的通用框架，可直接用于去噪、去伪影等底层视觉问题。
面向大规模三维逆问题的高效展开网络
Efficient Unrolled Networks for Large-Scale 3D Inverse Problems
把大规模前向算子通过区域分解与法算子近似嵌入展开网络，使单卡即可端到端训练含算子的 3D 重建模型；做 3D 逆问题（CT/MRI 重建）时可直接复用该显存友好的算子嵌入方案。
面向移动设备极低光照超高清视频的高效实时 raw-to-raw 去噪
Efficient Real-Time Raw-to-Raw Denoising for Extreme Low-Light Ultra HD Video on Mobile Devices
面向移动端 ISP 前端的 raw-to-raw 视频去噪方案：把重参数化、结构重排与量化组合进训练后优化流程，在 <33ms、<250mA 的约束下跑 4K/8K 视频，可直接迁移到其他需要在端侧实时部署的低层视觉模型压缩与部署流程。
编辑感知的 RAW 重建
Edit-aware RAW reconstruction
把可微 ISP 当作损失函数的渲染算子，在 sRGB 空间监督 RAW 重建，使恢复的 RAW 对渲染风格和后期编辑更鲁棒；这一「在显示域而非传感器域算损失」的思路可直接迁移到去噪、超分、低光照增强等需要下游 ISP 配合的底层视觉任务。
基于球面几何增强的全景图像边缘聚焦超分辨率
Edge-Focused Super-Resolution for Omnidirectional Images with Spherical Geometric Augmentation
针对全景图像超分辨率中的边缘退化问题，提出边缘聚焦模块与球面旋转-平移数据增强策略，可复用于其他畸变图像复原任务。
EMR-Diff：边缘感知多模态残差扩散模型用于高光谱图像超分辨率
EMR-Diff: Edge-aware Multimodal Residual Diffusion Model for Hyperspectral Image Super-resolution
提出边缘感知噪声策略与多模态残差机制，可迁移到其他多模态融合超分任务中，利用高分辨率辅助图像的边缘信息引导扩散模型优先重建高频细节。
动态曝光连拍图像复原
Dynamic Exposure Burst Image Restoration
将曝光时间作为可学习变量，通过BAENet根据预览图预测最优曝光，并配合可微分burst模拟器实现端到端训练，为低层视觉任务中传感器参数与算法联合优化提供了新思路。
用于引导深度图超分辨率的双图正则化深度展开网络
Dual Graph Regularized Deep Unfolding Network for Guided Depth Map Super-resolution
把图优化展开成可解释的多阶段网络，并用行列分离的双图拉普拉斯先验把复杂度从 O(H^3W^3) 降到 O(H^3+W^3)，这套「先验建模+展开求解」的范式可直接迁移到其他需要结构保持的复原任务（如引导滤波式上采样、联合滤波）。
双波段热视频成像：在近环境条件下分离时变反射与发射
Dual Band Thermal Videography: Separating Time-Varying Reflection and Emission Near Ambient Conditions
把「反射-发射分离」建模成带物理约束的逐像素本征分解，并用「物体辐射缓变、背景辐射快变」的时序先验补足多波段下的欠定性——这套思路可直接迁移到可见光下的反射去除、镜面/玻璃场景重建与动态背景分离。
面向逆问题的对偶上升扩散方法
Dual Ascent Diffusion for Inverse Problems
把扩散模型先验下的 MAP 逆问题求解重构成对偶上升优化，可直接替换图像复原（去噪、去模糊、超分、修复）中常用的近似后验采样，在高噪声测量下更稳、更快、更贴合观测。
DreamSR：基于感受野增强扩散 Transformer 的超高分辨率图像超分辨率
DreamSR: Towards Ultra-High-Resolution Image Super-Resolution via a Receptive-Field Enhanced Diffusion Transformer
针对大分辨率图像分块推理时全局提示词与局部图像块语义错位导致的过度生成问题，提出双分支 MM-ControlNet：用图像块级提示词生成局部文本特征、用全局提示词提供全局文本特征，并配合感受野增强训练策略；这套「全局-局部提示词对齐 + 感受野增强」思路可直接迁移到其他基于扩散模型的大图分块生成任务（如修复、编辑）。
极低码率下基于多模态侧信息的分布式图像压缩
Distributed Image Compression with Multimodal Side Information at Extremely Low Bitrates
将文本侧信息作为条件注入扩散解码器，并用多模态细粒度对齐任务监督特征掩码生成，为极低码率下的图像压缩与复原提供了可复用的多模态条件控制思路。
蒸馏拟共形映射：一种可泛化且高效的广角校正方案
Distilling Quasi-Conformal Mapping: A Generalizable and Efficient Solution for Wide-Angle Correction
把拟共形映射的几何先验（Beltrami 能量 + 线结构/人体区域约束）做成无需标注的教师流程来生成校正光流标签，再用 Mamba 骨干 + soft-argmin 头蒸馏成单次前向的校正网络，可直接迁移到鱼眼/广角镜头畸变校正与光流式几何变换学习。
基于跨域流形共识的解耦式图像去雾
Disentanglement-wise Image Dehazing through Cross-Domain Manifold Consensus
提出跨域不变流形（CIM）对齐多域特征，并用共识密度驱动的对比学习优化，可复用于其他跨域底层视觉任务（如去雨、去噪）以消除域偏差；物理引导的HSV分解网络为颜色保真提供了解耦思路。
面向扩散图像超分辨率的解耦文本先验
Disentangled Textual Priors for Diffusion-based Image Super-Resolution
把文本先验按空间层级（全局/局部）与频率语义（低频/高频）解耦，并通过专用交叉注意力模块分阶段注入扩散采样过程，这一「解耦先验 + 频率感知负提示」的注入范式可直接迁移到其他条件扩散复原任务（去噪、去模糊、修复）以提升语义可控性。
基于提示驱动噪声表示学习的扩散式 sRGB 真实噪声生成
Diffusion-Based sRGB Real Noise Generation via Prompt-Driven Noise Representation Learning
用扩散模型从输入噪声中学习高维提示词特征来合成真实噪声图像，摆脱对相机元数据的依赖，可直接作为真实去噪训练数据的增广手段，缓解 sRGB 域真实噪声配对数据稀缺问题。
面向生成式图像压缩率失真优化的可微矢量量化
Differentiable Vector Quantization for Rate-Distortion Optimization of Generative Image Compression
把码本分布做可微松弛，让熵损失直接塑造潜变量先验，从而在极低码率下用轻量架构实现端到端率失真优化；这套可微信道建模思路也可迁移到其他需要离散潜变量的视觉生成/压缩流程。
DiT-IC：面向高效图像压缩的对齐扩散 Transformer
DiT-IC: Aligned Diffusion Transformer for Efficient Image Compression
把多步文本到图像 DiT 通过自蒸馏对齐与方差引导重建流改造成单步、32 倍下采样潜空间中的重建器，为视觉研究者提供了一个可复用的思路：用预训练扩散先验做极低分辨率潜空间的高效解码，可迁移到超分、修复等图像复原任务。
DetectSCI：面向高分辨率视频快照压缩成像的目标引导感兴趣区域重建
DetectSCI: Toward Object-Guided ROI Reconstruction for High-Resolution Video Snapshot Compressive Imaging
将目标检测引入SCI重建流程，仅对检测到的ROI进行高分辨率重建，为高分辨率视频SCI提供了一种可扩展的按需重建范式；其Mamba-隐式模块与频率Mamba查询选择机制可复用于其他需要从混叠测量中恢复判别性特征的底层视觉任务。
退化鲁棒融合：一种用于任意退化场景下多模态图像融合的高效退化感知扩散框架
Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios
提出一种隐式去噪的扩散框架，通过直接回归融合图像而非预测噪声，并设计联合观测模型校正机制在采样中同时施加退化与融合约束，可复用于任意退化场景下的多模态图像融合任务。
面向一体化图像复原的退化一致性测试时自适应
Degradation-Consistent Test-Time Adaptation for All-in-One Image Restoration
把「同一场景的多种退化版本应映射到同一干净图像」作为自监督一致性约束，配合扩散生成器合成伪退化-干净对，为图像复原模型在测试时做无源域自适应提供了可复用的伪监督构造思路；其按退化敏感性选择参数更新的策略也可迁移到其他复原/增强模型的稳定微调。
DVAR：面向图像超分的动态视觉自回归建模
DVAR: Dynamic Visual Autoregressive Modeling for Image Super-Resolution
把 VAR 的绝对尺度调度换成与目标尺寸解耦的相对缩放动态，使单一自回归模型可服务任意分辨率超分；其动态采样调度利用码本中视觉 token 的几何邻近性模拟预测误差分布，可迁移到其他自回归生成模型的训练-推理鸿沟缓解。
DUO-VSR：面向单步视频超分辨率的双流蒸馏
DUO-VSR: Dual-Stream Distillation for One-Step Video Super-Resolution
把分布匹配蒸馏与对抗监督（RFS-GAN）结合成双流蒸馏，可将任意多步扩散 VSR 模型压缩到单步推理；其渐进式引导蒸馏初始化与偏好引导精修流程，也可迁移到其他扩散复原任务（去噪、去模糊）的少步加速上。
DTG-Restore：面向生成式视频超分辨率的免训练扩散精炼
DTG-Restore: Training-Free Diffusion Refinement for Generative Video Super-Resolution
提出解耦时间引导（DTG），在采样时让无条件分支在更干净的扩散时间步上评估，为视频复原提供可复用的无训练先验利用手段，可迁移到其他基于扩散的复原任务。
DNF-SR：面向真实世界图像超分辨率的双输入与负样本感知特征微调
DNF-SR: Dual-Input and Negative-Aware Feature Fine-Tuning for Real-World Image Super-Resolution
把预训练扩散图像编辑模型当作单步 Real-ISR 的生成先验，用「原始 LR + 加噪 LR」双输入拼接来同时保住保真度与感知质量，并用正/负样本分组的后训练偏好优化（NF²T）在图像与特征空间定义隐式策略改进方向——这套「负样本感知微调」思路可直接迁移到其他一步扩散复原/编辑任务的输出筛选与对齐上。
D2Dewarp：基于双维度几何表示学习的文档图像矫正
D2Dewarp: Dual Dimensions Geometric Representation Learning Based Document Image Dewarping
提出基于水平-垂直双维度线特征的细粒度形变感知模型，并利用渲染引擎自动生成带线标注的大规模畸变数据集，可复用于其他需要几何结构先验的文档或场景图像矫正任务。
定制化融合：面向自适应多任务感知红外-可见光图像融合的闭环动态网络
Customized Fusion: A Closed-Loop Dynamic Network for Adaptive Multi-Task-Aware Infrared-Visible Image Fusion
把下游任务的反馈以闭环方式回传到融合网络，并用基向量库+架构自适应注入按任务定制网络结构，为多任务图像融合提供了一种无需重训即可切换任务语义的融合框架，可迁移到其他多任务底层视觉问题。
基于 ScaleFormer 的跨尺度全色锐化与 PanScale 基准
Cross-Scale Pansharpening via ScaleFormer and the PanScale Benchmark
把跨分辨率泛化重构成跨序列长度泛化，用可变长度图像块序列加 RoPE 外推到未见尺度，这一思路可直接迁移到超分、去噪等需要在不同分辨率间泛化的底层视觉任务。
凸性感知噪声校准：面向噪声水平未知图像去噪的自监督框架
Convexity-Aware Noise Calibration: A Self-Supervised Framework for Noise-Level-Unknown Image Denoising
把噪声水平估计转化为「去噪后方差随噪声水平变化」的单调关系，并用三分搜索加深度模型求解，可直接复用于盲去噪、真实噪声数据合成训练对以及任何需要估计未知噪声强度的复原流程。
连续曝光时间建模用于真实大气湍流合成
Continuous Exposure-Time Modeling for Realistic Atmospheric Turbulence Synthesis
提出曝光时间相关的调制传递函数（ET-MTF）和倾斜不变的点扩散函数（PSF），用于生成物理精确的大气湍流模糊，可复用于图像复原任务的合成数据生成与泛化性评估。
面向神经视频编码的内容自适应分层超先验
Content-Adaptive Hierarchical Hyperprior for Neural Video Coding
把「分层超先验」当作从当前帧提取的内容自适应信号，用来同时决定质量分配与参考帧选择；做视频压缩、码率控制或任何需要按内容动态分配比特/参考的视觉任务，都可借鉴这种用超先验引导结构决策而非固定 GOP 配置的思路。
计算散斑图案干涉术
Computational Speckle Pattern Interferometry
将散斑干涉的成像模型分解为空间与时间因子，并借鉴 Horn-Schunck 光流框架从单帧图像恢复亚微米级位移与振动，为无精密仪器的单帧相位测量提供了可复用思路。
压缩域感知的在线视频超分辨率
Compressed-Domain-Aware Online Video Super-Resolution
把压缩码流里的运动矢量、残差图、帧类型当作免费先验来替代昂贵的运动估计：运动矢量做粗对齐、网络只学局部残差偏移，可显著降低在线视频超分辨率的对齐开销，这套「压缩域引导对齐+按帧类型分配算力」的思路可直接迁移到其他视频复原/增强任务。
CoD：面向图像压缩的扩散基础模型
CoD: A Diffusion Foundation Model for Image Compression
CoD 提供了一个从零训练、面向压缩的扩散基础模型，可替代 Stable Diffusion 作为下游扩散编解码器的骨干，尤其在超低码率下提升压缩效率；其像素空间扩散实现 VTM 级 PSNR 与高感知质量的发现，为图像压缩与生成联合优化提供了新思路。
明暗对照：一种光照感知的真实世界图像矢量化方法
Clair Obscur: an Illumination-Aware Method for Real-World Image Vectorization
将本征图像分解（albedo/shade/light）引入矢量域，用可微渲染做两阶段优化，为图像矢量化提供光照感知的表示，可复用于需要可编辑矢量表示或光照解耦的视觉任务。
CRFT：用于跨模态图像配准的一致性循环特征流Transformer
CRFT: Consistent-Recurrent Feature Flow Transformer for Cross-Modal Image Registration
提出基于特征流学习的统一粗到细跨模态配准框架，其迭代差异引导注意力与空间几何变换循环细化流场的设计，可复用于多模态空间对应任务（如遥感、医学影像配准），为处理大仿射和尺度变化下的对齐提供可借鉴的Transformer架构。
CASR：面向任意大尺度超分辨率的分布对齐与自相似感知鲁棒循环框架
CASR: A Robust Cyclic Framework for Arbitrary Large-Scale Super-Resolution with Distribution Alignment and Self-Similarity Awareness
把超大倍率超分拆解为多次「分布内」尺度跃迁的循环框架，配合超像素聚合对齐结构分布、相关性引导保持自相似纹理，为任意尺度超分在训练尺度之外稳定推理提供了可复用的单模型方案。
CARD：基于扩散的相关噪声感知复原
CARD: Correlation Aware Restoration with Diffusion
针对真实传感器中空间相关噪声的扩散复原方法，通过噪声白化将相关噪声转为独立同分布形式，并修改DDRM的采样更新步骤，为处理非i.i.d.噪声的复原任务提供了免训练、闭式采样的通用思路。
将人工评测引入红外与可见光图像融合
Bridging Human Evaluation to Infrared and Visible Image Fusion
将人类主观偏好通过强化学习（GRPO）引入红外与可见光图像融合，提供了一套可复用的「人类反馈数据集构建+奖励模型训练+策略优化」范式，可迁移到其他低层视觉任务（如超分、去噪）以对齐人类感知。
以可控单步扩散弥合保真度与真实感：面向图像超分辨率
Bridging Fidelity-Reality with Controllable One-Step Diffusion for Image Super-Resolution
可复用的思路有两点：一是用未压缩的 LQ 原始信息做特征调制，为扩散过程提供高保真条件，缓解压缩编码带来的信息损失；二是区域自适应地激活生成先验，并用文本匹配引导对齐语义区域，在单步推理下兼顾感知质量与局部结构保真。
BluRef：基于稠密匹配参考的无监督图像去模糊
BluRef: Unsupervised Image Deblurring with Dense-Matching References
用稠密匹配模型在非配对模糊/清晰图之间建立像素对应，从而合成伪真值监督去模糊网络，为缺乏配对数据的复原任务提供了一条可复用的数据构造思路。
用于真实图像去雾的双层层级定位低秩适配
Bilevel Layer-Positioning LoRA for Real Image Dehazing
将CLIP的跨模态语义对齐作为无参考图像复原的无监督损失，并用双层优化自动搜索LoRA注入层，为真实场景去雾等底层视觉任务提供了一种参数高效且无需成对数据的微调范式。
BiProLoRA：面向真实场景复原的双层提示低秩适配
BiProLoRA: Bilevel Prompt LoRA for Real Scene Recovery
把预训练生成模型通过双层优化（超参数优化）联合调 LoRA 与提示词，并用自监督分布保真校准自编码通路，可直接迁移到去雨/去雾/低光照等真实退化复原任务中做合成到真实的适配。
BiEvLight：面向低光照图像增强的任务感知事件精炼双层学习
BiEvLight: Bi-level Learning of Task-Aware Event Refinement for Low-Light Image Enhancement
将事件去噪建模为受增强任务约束的双层优化问题，使去噪网络学习到面向下游增强的事件表征，这一思路可迁移到其他多模态融合任务中，避免静态预处理带来的过/欠去噪权衡。
Bi-Bridge：面向低光照图像增强的双向扩散桥
Bi-Bridge: Bidirectional Diffusion Bridges for Low-Light Image Enhancement
把增强与退化建模成同一个对称扩散桥的两个方向，用双向一致性作为内容保真的约束；做低光照增强、去噪、去模糊等图像到图像复原时，可借鉴这种「正反过程共享结构」的正则思路来抑制生成模型的结构漂移。
超越真值：面向图像复原的增强监督
Beyond the Ground Truth: Enhanced Supervision for Image Restoration
把「提升真值质量」当作提升复原性能的杠杆：用条件频率掩码生成器做频域 mixup，把原真值与超分变体融合成感知增强真值，再训练一个可插拔的轻量输出精炼网络，可直接接到现有复原模型后面。
超越严格配对：面向高性能红外与可见光图像融合的任意配对训练
Beyond Strict Pairing: Arbitrarily Paired Training for High-Performance Infrared and Visible Image Fusion
把红外与可见光图像融合的训练从严格配对中解放出来，用非配对/任意配对数据即可训练，并给出 CNN/Transformer/GAN 三个轻量基线；做多模态融合或跨模态配准数据稀缺时，可直接复用其任意配对训练目标与配套损失函数。
超越单一解：面向图像压缩感知的多假设深度展开网络
Beyond Single Solution: Multi-Hypothesis Deep Unfolding Network for Image Compressive Sensing
把「单一解」的深度展开网络改成多假设协同展开：AlphaNet 为每个假设预测空间变化的步长，近端映射模块同时利用假设内与假设间相关性先验联合精修多个解，可直接迁移到其他病态逆问题的展开式求解器（去噪、去模糊、超分）中。
超越串行工具：基于动态多专家融合的统一视觉语言模型智能体系统用于摄影后期处理
Beyond Sequential Tools: A Unified VLM Agent System for Photographic Post-Processing via Dynamic Multi-Expert Fusion
把 VLM 当作调度器，为多个只改 K/V 矩阵的专家 LoRA 动态分配权重，并一次性合并进扩散骨干网络完成单步复原，这个「多专家 LoRA 融合 + 单次前向」的范式可直接迁移到去噪、去模糊、低光照增强等耦合退化场景。
超越真实标签：利用图像质量先验进行真实世界图像复原
Beyond Ground-Truth: Leveraging Image Quality Priors for Real-World Image Restoration
利用预训练 NR-IQA 模型提取图像质量先验，作为条件信号引导复原网络预测高质量表示，可即插即用地增强现有复原架构；双分支码本与离散表示优化策略为质量感知复原提供了可复用的技术手段。
内窥镜手术图像复原基准评测与展望
Benchmarking Endoscopic Surgical Image Restoration and Beyond
提供了真实手术场景下多类型退化（烟雾、雾化、飞溅）的配对图像复原数据集与标准化评测基准，可直接用于训练和评估面向医疗内窥镜的复原算法，并揭示了手术场景与自然场景在结构感知和语义理解上的退化差异，为领域特定复原方法设计提供依据。
基于图神经网络的自适应学习式图像压缩
Adaptive Learned Image Compression with Graph Neural Networks
用双尺度图结构替代 CNN 固定核与窗口注意力，按局部内容复杂度动态调整每个节点的邻居数，为视觉任务提供一种数据驱动的自适应感受野建模手段，可直接迁移到需要捕捉长程冗余的复原与压缩网络设计。
ALLNet：面向退化图像的多任务密集预测
ALLNet: Multi-task Dense Prediction for Degraded Images
把 MoE 动态路由用于退化特征增强，并与任务特定特征做双向协同精炼，为在恶劣成像条件下做多任务密集预测（深度、语义分割等）提供了可复用的「复原-任务联合」框架。
AE2VID：基于光圈调制的事件视频重建
AE2VID: Event-based Video Reconstruction via Aperture Modulation
把光圈周期性调制当作主动事件源，在静态/低运动区域补出稠密事件，可直接用于事件相机高速视频重建与低纹理区域去噪；双分支分别处理运动触发与光圈触发事件的思路也可迁移到其他多模态事件融合任务。
一比特足矣！基于单比特成像的高效视频采集
A Bit is All You Need! Efficient Video Capture via Single Bit Imaging
把传感器端采集压缩到 1 bit（时变阈值量化），再用神经网络重建全比特深度视频，为超低功耗/高速相机流水线提供了一条可复用的「采集-重建」联合设计思路，可直接迁移到事件相机、高速视频与压缩成像任务。
3M-TI：基于免标定多相机跨模态扩散的高质量移动热成像
3M-TI: High-Quality Mobile Thermal Imaging via Calibration-free Multi-Camera Cross-Modal Diffusion
把扩散 UNet 中的自注意力层替换为跨模态自注意力（CSM），在去噪过程中自适应对齐热成像与 RGB 特征，从而绕开相机标定；这一「免标定跨模态特征对齐 + 生成先验」的思路可直接迁移到其他多传感器图像复原任务（如低光 RGB-NIR 增强、深度引导超分）。
暗中两拍：以极少数据采集实现低光照去噪
2-Shots in the Dark: Low-Light Denoising with Minimal Data Acquisition
只需每个 ISO 一张噪声图和一张暗帧即可合成真实噪声，为缺乏配对数据的低光照去噪训练提供了可复用的数据增广方案；其傅里叶域频谱采样生成信号无关噪声的思路，可直接用于构建 RAW 域去噪训练集。