搞遥感、医学图像等CV衍生方向的同学看过来，如果idea实在难找，不如考虑做基于深度学习的图像增强。
图像增强是在原始图像的基础上进行改进，以便视觉效果更佳。融合了深度学习的图像增强更是双buff在手，又进一步提升了效果和性能，让图像质量、清晰度和细节更加出色，是影视制作、广告设计、遥感应用等领域的必备技术（意味着就业空间大）。
这个方向的研究涵盖了图像去噪、图像修复、图像超分辨率、图像风格转换等多个子领域。尤其是图像超分辨率，万金油上游，能参考的优质文章项目很多，因为是个细分方向，所以也不怎么卷（意味着好发论文）。
如果有同学感兴趣，可以看看基于深度学习的图像增强最近新出的成果，idea可能就有头绪了。我这边已经帮大家整理了12篇，大部分都是顶会顶刊（CVPR、ICCV等），全都有代码，需要的自取~
扫码添加小享，回复“深度增强”
免费获取全部论文+开源代码
Color Shift Estimation-and-Correction for Image Enhancement
方法：针对在非理想照明条件下拍摄的图像中存在的过曝和欠曝问题，作者提出了一种新颖的图像增强方法，通过提出一种新方法来估计和校正颜色偏移，利用伪正常曝光特征图指导颜色偏移校正，并通过COSE和COMO模块分别调节过曝和欠曝区域的颜色，从而增强图像质量。
创新点：
- 通过伪正常色彩特征图来估计并单独校正图像中过曝光和欠曝光区域的色彩偏移。
- 提出了一个新颖的色彩调制模块，用于调制单独校正后的过曝光和欠曝光区域的色彩，从而生成增强后的图像。
-
该方法在使用大约20%网络参数的情况下，仍在PSNR和SSIM指标上实现了比SOTA更好的性能，展示了其在计算效率和性能上的创新优势。
Pugan: Physical model-guided underwater image enhancement using gan with dual-discriminators
方法：论文提出了一种结合物理模型和深度学习的GAN框架，用于水下图像增强，克服了传统方法在不同水环境下适应性差的问题，通过创新的双流交互增强子网和双判别结构，以风格-内容协同机制提升图像质量。
创新点：
- 提出了一种结合物理模型和GAN的创新方法，称为物理模型引导生成对抗网络（PUGAN）。
- 在增强子网中引入了退化量化（DQ）模块，通过对场景退化进行量化，重点增强关键区域，形成了一种双流架构以实现多源信息的交互。
- 设计了一种双判别器结构，用于对生成器的重建结果进行判定，采用风格-内容协同机制，以促进结果的真实性和视觉美感。
扫码添加小享，回复“深度增强”
免费获取全部论文+开源代码
Learning semantic-aware knowledge guidance for low-light image enhancement
方法：本文提出了一种新颖的语义感知知识引导框架（SKF），用于低光照图像增强。通过整合预训练语义分割网络提供的语义先验知识来优化图像特征、保持区域色彩一致性并提高图像质量；方法上以高分辨率网络和语义感知嵌入模块为核心，显著提升了现有多种基线方法的性能。
创新点：
- 提出了一种新的语义感知知识引导框架（SKF），通过结合语义先验知识提升低光照图像增强任务的性能。
- 开发了语义感知嵌入模块（SE），量化图像语义，增强语义一致性。
- 引入SCH loss和SA loss，前者保色彩一致，后者助自然生成。
Global structure-aware diffusion process for low-light image enhancement
方法：本文研究了一种基于扩散模型的低光照图像增强方法，通过引入全局结构感知正则化和不确定性引导正则化以优化ODE轨迹曲率，从而提升图像质量、噪声抑制和对比度增强，在多个基准数据集上都拥有优越性能。
创新点：
- 提出了一种创新的全局结构感知正则化方案，通过在扩散框架中逐步利用图像数据的内在结构来调节ODE轨迹曲率。
- 通过在扩散过程中集成不确定性图，设计了一种不确定性引导的正则化机制，使正则化强度得以自适应调节。
- 为了缓解正则化在扩散模型早期阶段可能带来的不利影响，设计了一种逐步自适应正则化调度。
扫码添加小享，回复“深度增强”
免费获取全部论文+开源代码
