研究提出了一种名为Restormer的高效Transformer模型，通过多头注意力和前馈网络设计，实现了长距离像素交互，适用于大图像处理。该模型在图像去雨、单图像运动去模糊、散焦去模糊（单图像和双像素数据）和高斯及真实图像去噪等任务中表现优异。Restormer的训练代码和预训练模型已发布，并被选为CVPR 2022的口头报告。用户可通过Colab或命令行测试预训练模型。

AI Image Enhancer集成多种图像处理功能于一体,包括智能放大、锐化、降噪和修复等。这个在线平台能有效提升图像分辨率和细节,广泛适用于摄影、设计、电商等领域。无论是修复老照片、优化产品图片还是美化社交媒体内容,AI Image Enhancer都能高效处理,为用户带来专业级的图像增强效果。

InstructIR项目利用人类书写的自然语言指令，引导神经模型进行全能型图像修复。该模型在图像去噪、去雨、去模糊、去雾和提升低光图像等多个任务上实现了最新成果，并在多个基准测试中比现有方法提升了+1dB，树立了文本引导图像修复与增强的新标准。

Denoising Vision Transformers (DVT)是一种新型方法,用于消除视觉Transformer (ViT)特征图中的视觉伪影。DVT通过去除这些伪影,显著提升了ViT在语义分割和深度估计等密集识别任务中的表现。实验结果表明,DVT能有效改善MAE、DINO、DINOv2等多种预训练ViT模型在PASCAL VOC、ADE20K和NYU-D等数据集上的下游任务性能。

CycleISP框架通过改进的数据合成方法，为图像去噪提供了大规模真实数据对。在RAW和sRGB空间中，模拟相机成像管道，生成信号依赖噪声的图像对，提升了深度卷积神经网络在真实相机数据集上的表现。相比之前的最佳方法，模型参数减少了约5倍。该框架适用于图像去噪和立体电影中的颜色匹配等任务，确保在多种图像处理任务中的优异性能。

NAFNet是一种无需非线性激活函数的图像修复网络，通过简单的基线超过现有SOTA方法并显著降低计算成本。在GoPro数据集上，该网络的图像去模糊性能达到33.69 dB PSNR，在SIDD数据集上的图像去噪性能为40.30 dB PSNR，均显著超越前代SOTA性能。NAFNet适用于图像去噪、去模糊和立体图像超分辨率等任务。