NTIRE 2025 Challenge on RAW Image Restoration and Super-Resolution
本文总结NTIRE 2025 RAW图像恢复与超分辨率挑战赛，聚焦RAW去模糊去噪及2倍超分任务，并展示当前最优方法。
2025-06-04 cs.CV eess.IV
NTIRE 2022 Challenge on Stereo Image Super-Resolution: Methods and Results
在本文中，我们总结了第一次NTIRE挑战立体图像超分辨率（恢复丰富的细节，在一对低分辨率立体图像），重点是新的解决方案和结果。该挑战具有针对标准双三次降级下的立体图像超分辨率问题的1个轨道。共有238名参赛者成功注册，21支队伍参加了最后的测试阶段。在这些参与者中，有20个团队成功提交了PSNR（RGB）分数优于基线的结果。这一挑战为立体图像SR建立了新的基准。
2022-04-20 cs.CV
NTIRE 2024 Restore Any Image Model (RAIM) in the Wild Challenge
本文综述NTIRE 2024 RAIM真实场景图像恢复挑战赛，介绍其基准构建、双任务设置与参赛情况，指出优胜方法刷新了恢复性能SOTA，同时公开了相关数据集与赛事主页。
2024-05-16 cs.CV eess.IV
NTIRE 2020 Challenge on Perceptual Extreme Super-Resolution: Methods and Results
ETH Zurich（苏黎世联邦理工学院）
本文回顾了NTIRE 2020年关于感知极端超分辨率的挑战，重点是提出的解决方案和结果。挑战任务是基于一组先前的低分辨率图像和相应的高分辨率图像的示例，以放大因子16对输入图像进行超分辨率处理。我们的目标是获得一个网络设计，能够产生高分辨率的结果与最佳的感知质量和类似的地面真理。该赛道有280名注册参赛者，19支球队提交了最终结果。他们衡量了最先进的单图像超分辨率。
2020-05-03 cs.CV eess.IV
NTIRE 2020 Challenge on Real-World Image Super-Resolution: Methods and Results
本文回顾了NTIRE 2020对真实世界超分辨率的挑战。重点介绍了参与方式和最终结果。该挑战解决了现实世界的设置，其中配对的真正的高分辨率和低分辨率图像不可用。为了训练，因此仅提供一组源输入图像以及一组未配对的高质量目标图像。在轨道1：图像处理伪影中，目标是使用合成生成的图像处理伪影实现超分辨率图像。这允许对方法\wrt的地面实况图像进行定量基准测试。在轨道2：智能手机图像，真正的低质量智能手机图像必须是超分辨率。在这两个轨道中，最终目标是实现最佳的感知质量，使用人类研究进行评估。这是继AIM 2019之后关于该主题的第二个挑战，旨在推进超分辨率的最新技术。为了测量性能，我们使用AIM 2019的基准协议。共有22个团队参加了最后的测试阶段，展示了针对该问题的创新解决方案。
2020-05-05 cs.CV eess.IV
NTIRE 2021 Challenge on Video Super-Resolution
Seoul National University（首尔大学）
超分辨率（SR）是一项基本的计算机视觉任务，旨在从给定的低分辨率图像中获得高分辨率的干净图像。本文回顾了NTIRE 2021年视频超分辨率挑战赛。我们目前的评估结果，从两个竞争的轨道，以及提出的解决方案。轨道1旨在开发传统的视频SR方法，专注于恢复质量。轨道2假设具有较低帧速率的更具挑战性的环境，从而引发时空SR问题。在每一项比赛中，分别有247名和223名参赛者登记。在最后的测试阶段，14个团队在每个赛道上竞争，以实现视频SR任务的最先进性能。
2021-05-10 cs.CV
NTIRE 2021 Challenge on Image Deblurring
Seoul National University（首尔大学）
运动模糊是动态环境中常见的摄影伪影，通常与其他类型的降级一起出现。本文回顾了NTIRE 2021年图像去模糊挑战赛。在这份挑战报告中，我们描述了挑战的细节和评估结果，从2个竞争轨道与建议的解决方案。虽然这两个轨道的目标是从模糊图像恢复高质量的干净图像，不同的文物共同参与。在轨道1中，模糊图像的分辨率较低，而轨道2的图像以JPEG格式压缩。在每一场比赛中，分别有338和238名注册参赛者，在最后的测试阶段，分别有18和17支队伍参加比赛。获奖方法展示了联合组合伪影的图像去模糊任务的最新性能。
2021-04-30 cs.CV
NTIRE 2021 Challenge on Burst Super-Resolution: Methods and Results
ETH Zurich（苏黎世联邦理工学院）
本文综述了NTIRE 2021对突发超分辨率的挑战。给定一个RAW噪声突发作为输入，挑战中的任务是生成一个清晰的RGB图像，分辨率提高4倍。该挑战包含两个轨道;轨道1评估合成生成的数据，轨道2使用来自移动相机的真实世界突发。在最后的测试阶段，6个团队使用不同的解决方案提交了结果。性能最好的方法为突发超分辨率任务设定了新的最先进的技术水平。
2021-06-07 cs.CV
NTIRE 2020 Challenge on Image and Video Deblurring
Seoul National University（首尔大学）
运动模糊是动态场景摄影中最常见的退化伪影之一。本文回顾了NTIRE 2020年图像和视频去模糊挑战赛。在这个挑战中，我们提出了3个竞争轨道的评估结果以及提出的解决方案。轨道1旨在开发单图像去模糊方法，专注于恢复质量。在Track 2上，在移动平台上执行图像去模糊方法，以找到运行速度和恢复精度的平衡。轨道3的目标是开发利用输入帧之间的时间关系的视频去模糊方法。在每一场比赛中，分别有163、135和102名注册参赛者，在最后的测试阶段，分别有9、4和7支队伍参加比赛。获奖方法展示了图像和视频去模糊任务的最先进性能。
2020-05-10 cs.CV
NTIRE 2024 Challenge on Stereo Image Super-Resolution: Methods and Results
本文总结了第3届NTIRE立体图像超分辨率挑战赛，该挑战赛要求在有限计算预算下实现x4放大并保持立体一致性，包含双三次退化和真实退化两个赛道，最终为立体图像SR建立了新基准。
2024-09-25 cs.CV
NTIRE 2023 Challenge on Light Field Image Super-Resolution: Dataset, Methods and Results
本文总结首届NTIRE光场图像4倍超分辨率挑战赛，介绍NTIRE-2023数据集与BasicLFSR工具箱，并梳理11支参赛队伍的方法、趋势及性能突破。
2023-04-20 cs.CV
NTIRE 2023 Quality Assessment of Video Enhancement Challenge
本文介绍了NTIRE 2023视频增强质量评估挑战赛的设置、所用VDPVE数据集规模、参赛提交情况及参赛方法的整体表现，该赛事聚焦增强后视频的VQA问题。
2023-07-19 cs.CV cs.MM eess.IV
GRDN:Grouped Residual Dense Network for Real Image Denoising and GAN-based Real-world Noise Modeling
Dongguk University（东国大学）
最近关于图像去噪的研究随着深度学习架构（尤其是卷积神经网络）的发展而取得了进展。然而，现实世界的图像去噪仍然是非常具有挑战性的，因为它是不可能获得理想的地面实况图像和现实世界的噪声图像对。由于最近发布的基准数据集，图像去噪社区的兴趣现在正转向现实世界的去噪问题。在本文中，我们提出了一个分组的剩余密集网络（GRDN），这是一个扩展和推广的国家的最先进的剩余密集网络（RDN）的体系结构。RDN的核心部分被定义为分组剩余密集块（GRDB），并作为GRDN的构建模块。实验结果表明，级联GRDBs可以显著提高图像去噪性能.除了网络架构设计之外，我们还开发了一种新的基于生成对抗网络的真实世界噪声建模方法。我们通过在NTIRE 2019 Real图像去噪挑战赛- Track 2：sRGB中实现峰值信噪比和结构相似性方面的最高得分来证明所提出方法的优越性。
2019-05-27 cs.CV eess.IV
New Techniques for Preserving Global Structure and Denoising with Low Information Loss in Single-Image Super-Resolution
Duke University（杜克大学）
本工作确定并解决了单图像超分辨率中的两个重要技术挑战：（1）如何在不放大噪声的情况下对图像进行上采样以及（2）如何在上采样时保持大尺度结构。我们总结了我们在2018年NTIRE超分辨率挑战赛中为轨道1（双三次下采样）的第二名参赛作品，轨道2（现实不利条件）的第七名参赛作品和轨道3（现实困难）的第七名参赛作品开发的技术。此外，我们提出了新的神经网络架构，专门解决上述两个挑战：去噪和大规模结构的保存。
2018-06-16 cs.CV
NTIRE 2020 Challenge on NonHomogeneous Dehazing
本文回顾了NTIRE 2020年关于图像非均匀去雾（在模糊图像中恢复丰富细节）的挑战。我们专注于所提出的解决方案和他们的结果评估NH-霾，一个新的数据集，由55对真实的无霾和非均匀的朦胧图像记录户外。NH-Haze是第一个提供地面真实图像的真实非均匀烟雾数据集。使用专业的烟雾发生器模拟烟雾场景的真实情况，产生了非均匀的烟雾。168名参赛者报名参加了挑战赛，27支队伍参加了最后的测试阶段。所提出的解决方案衡量了图像去雾的最新技术水平。
2020-05-07 cs.CV
NTIRE 2025 the 2nd Restore Any Image Model (RAIM) in the Wild Challenge
Tianyu Hao（郝天宇）；Lin Wang（王林）；Zhe Xiao（肖哲）；Pengzhou Ji（纪鹏洲）；Shu-Peng Zhong（钟舒鹏）；Xiangming Wang（王相明）；Jiaqi Yan（颜佳琪）；Sishun Pan（潘世顺）；Ce Wang（王城）；Yibin Huang（黄怡彬）；ZhanSheng Wang（王占生）；Haobo Liang（梁浩博）；Zhenghao Pan（潘正浩）；Jinjian Wu（吴金建）；Yushen Zuo（左宇身）；Yuanbo Zhou（周元波）
本文概述了 NTIRE 2025 第二届野外任意图像复原模型挑战赛，涵盖低光联合去噪去马赛克与细节增强两个赛道，吸引近300个团队参赛，推动了真实世界图像复原技术发展。
2025-06-02 cs.CV eess.IV
The Eleventh NTIRE 2026 Efficient Super-Resolution Challenge Report
本文回顾了2026年NTIRE高效单幅图像超分辨率挑战赛，总结了参赛方案与结果，旨在设计保持PSNR性能的高效网络。
2026-04-03 cs.CV
NTIRE 2022 Challenge on Super-Resolution and Quality Enhancement of Compressed Video: Dataset, Methods and Results
本文回顾了NTIRE 2022年关于压缩视频的超分辨率和质量增强的挑战。在这个挑战中，我们提出了LDV 2.0数据集，其中包括LDV数据集（240个视频）和95个额外的视频。这一挑战包括三个方面。轨道1旨在以固定QP增强由HEVC压缩的视频。轨道2和轨道3以HEVC压缩视频的超分辨率和质量增强为目标。它们分别需要x2和x4超分辨率。这三条赛道共吸引了600多人报名。在测试阶段，8支队伍、8支队伍和12支队伍分别向赛道1、2和3提交了最终成绩。所提出的方法和解决方案衡量了压缩视频的超分辨率和质量增强的最新技术水平。拟议的LDV 2.0数据集可在https://github.com/RenYang-home/LDV_dataset上获得。这个挑战的主页（包括开源代码）是https://github.com/RenYang-home/NTIRE22_VEnh_SR。
2022-04-25 cs.CV
NTIRE 2022 Challenge on High Dynamic Range Imaging: Methods and Results
本文回顾了与CVPR 2022联合举办的图像复原和增强新趋势（NTIRE）研讨会的一部分，即受限高动态范围（HDR）成像的挑战。这篇手稿的重点是竞争的设置，数据集，提出的方法及其结果。该挑战旨在从多个相应的低动态范围（LDR）观测估计HDR图像，这些观测可能受到曝光不足或过度曝光区域以及不同噪声源的影响。挑战由两个轨道组成，重点是保真度和复杂性约束：在轨道1中，要求参与者优化客观保真度分数，同时施加低复杂性约束（即解决方案不能超过给定的操作数量）。在轨道2中，要求参与者最大限度地减少其解决方案的复杂性，同时对保真度分数施加限制（即要求解决方案获得比规定基线更高的保真度分数）。这两个跟踪使用相同的数据和指标：保真度是通过相对于地面实况HDR图像的PSNR来测量的（直接计算和使用规范色调映射操作计算），而复杂性指标包括乘法累加（MAC）操作的数量和运行时间（以秒为单位）。
2022-05-25 cs.CV eess.IV
Learning Raw Image Denoising with Bayer Pattern Unification and Bayer Preserving Augmentation
Megvii Technology（旷视科技）；Tsinghua University（清华大学）；University of Central Florida（中佛罗里达大学）
在本文中，我们提出了新的数据预处理和增强技术，用于基于DNN的原始图像去噪。与传统的RGB图像去噪相比，对直接相机传感器读数执行此任务提出了新的挑战，例如如何有效地处理来自不同数据源的各种Bayer模式，以及随后如何对原始图像执行有效的数据增强。为了解决第一个问题，我们提出了一个拜耳模式统一（BayerUnify）的方法来统一不同的拜耳模式。这使我们能够充分利用异构数据集来训练单个去噪模型，而不是为每个模式训练一个模型。此外，虽然增强数据集以提高模型泛化和性能至关重要，但我们发现，通过调整为RGB图像设计的增强方法来修改原始图像容易出错。为此，我们提出了一个拜耳保持增强（BayerAug）方法作为一种有效的方法，原始图像增强。将这些数据处理技术与改进的U-Net相结合，我们的方法在NTIRE 2019 Real Image Denoising Challenge中实现了52.11的PSNR和0.9969的SSIM，展示了最先进的性能。我们的代码可在https://github.com/Jiaming-Liu/BayerUnifyAug上获得。
2019-07-30 cs.CV eess.IV
NTIRE 2020 Challenge on Image Demoireing: Methods and Results
本文回顾了与CVPR 2020联合举办的图像复原和增强新趋势（NTIRE）研讨会的一部分，即图像去噪挑战。去噪是一项艰巨的任务，从图像中去除莫尔图案，以显示底层的干净图像。挑战分为两个轨道。轨道1针对单个图像去马赛克问题，该问题寻求从单个图像中去除莫尔图案。轨道2集中在突发demoireing问题，其中提供了一组相同场景的退化莫尔图像作为输入，目的是产生一个单一的demoireed图像作为输出。这些方法根据其保真度进行排名，使用地面真实干净图像和参与者方法产生的恢复图像之间的峰值信噪比（PSNR）进行测量。这两条赛道分别有142名和99名注册参与者，共有14名和6名提交者进入最后测试阶段。这些条目涵盖了当前最先进的图像和连拍图像演示问题。
2020-05-06 cs.CV
NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: Multi-Exposure Image Fusion in Dynamic Scenes (Track 2)
本文提出NTIRE 2026挑战，针对动态场景中多曝光图像融合的HDR成像难题，提供包含100训练序列和100测试序列的基准数据集，评估PSNR、SSIM、LPIPS等指标及感知质量，最终由114支队伍提交987份方案，提升去噪和细节恢复能力。
2026-04-10 cs.CV
NTIRE 2025 Challenge on Real-World Face Restoration: Methods and Results
该文综述NTIRE 2025真实世界人脸复原挑战赛，聚焦自然输出与身份一致性，采用加权IQA和AdaFace评估，141人注册、13队提交、10队获有效分，推动复原性能与领域趋势。
2025-04-20 cs.CV
The Second Challenge on Real-World Face Restoration at NTIRE 2026: Methods and Results
NTIRE 2026
本文回顾了NTIRE 2026实际世界面部修复挑战赛，探讨了提出的解决方案和成果，旨在提升感知质量和真实感，采用加权图像质量评估分数和AdaFace模型进行评估。
2026-04-15 cs.CV
The First Challenge on Remote Sensing Infrared Image Super-Resolution at NTIRE 2026: Benchmark Results and Method Overview
NTIRE 2026
本文介绍了NTIRE 2026的红外图像超分辨率挑战，旨在通过bicubic下采样x4因子生成低分辨率输入恢复高分辨率图像，总结了挑战设计、数据集、评估协议、主要结果及各团队代表方法。
2026-04-23 cs.AI cs.CV
NTIRE 2022 Challenge on Efficient Super-Resolution: Methods and Results
ETH Zurich（苏黎世联邦理工学院）
本文回顾了NTIRE 2022年关于有效的单图像超分辨率的挑战，重点介绍了所提出的解决方案和结果。挑战的任务是基于成对的低分辨率图像和相应的高分辨率图像，以放大因子$\times$ 4对输入图像进行超分辨率处理。目的是设计一个用于单个图像超分辨率的网络，该网络根据包括运行时间、参数、FLOP、激活和内存消耗在内的几个度量来测量效率的提高，同时在DIV2K验证集上至少保持29.00 dB的PSNR。IMDN被设定为效率测量的基线。该挑战有3个轨道，包括主轨道（运行时），子轨道1（模型复杂性）和子轨道2（整体性能）。在主轨道中，评估了提交的实际运行时性能。团队的排名直接由验证集和测试集上的平均运行时间的绝对值确定。在子轨道一中，考虑了参数的数量和FLOP。并将这两个指标的个人排名汇总，以确定在这条赛道上的最终排名。在子轨道二中，考虑了挑战描述中提到的所有五个指标，包括运行时、参数计数、FLOP、激活和内存消耗。类似于子轨道一，五个指标的排名被汇总以确定最终排名。挑战赛有303名注册参与者，43支队伍提交了有效的参赛作品。他们衡量了最先进的高效单图像超分辨率。
2022-05-11 cs.CV eess.IV
NTIRE 2026 Challenge on Single Image Reflection Removal in the Wild: Datasets, Results, and Methods
NTIRE 2026 Challenge on Single Image Reflection Removal in the Wild: Datasets, Results, and Methods（NTIRE 2026 挑战：单图像反射去除在野外：数据集、结果和方法）
本文回顾了2026年NTIRE挑战赛，旨在解决现实场景中单图像反射去除问题，通过OpenRR-5k数据集推动该领域的发展，提升真实场景下的反射去除性能。
2026-08-05 cs.CV
The Tenth NTIRE 2025 Efficient Super-Resolution Challenge Report
University of Pisa（比萨大学）；Tsinghua University（清华大学）；INSAIT
本文回顾NTIRE 2025单图像高效超分辨率挑战赛，该赛事旨在推动优化计算指标且达特定PSNR的深度模型发展，吸引244名注册者、43支队伍提交有效作品，报告分析相关方法与结果并确立未来研究基准。
2025-04-14 cs.CV eess.IV
NTIRE 2025 Challenge on Event-Based Image Deblurring: Methods and Results
本文概述NTIRE 2025首届基于事件的图像去模糊挑战赛，介绍其任务（以事件和图像为输入实现单图像去模糊，无计算复杂度或模型大小限制，用PSNR评估）、参与情况（199人注册，15队提交有效结果）及推动该领域研究的意义。
2025-04-16 cs.CV
NTIRE 2025 Challenge on Short-form UGC Video Quality Assessment and Enhancement: Methods and Results
本文综述NTIRE 2025短视频UGC质量评估与增强挑战赛，含高效VQA（KVQ）和扩散超分辨率（KwaiSR）两赛道，引入KwaiSR数据集，吸引266名参与者，推动相关领域研究与平台用户体验优化。
2025-04-17 cs.AI cs.CV eess.IV
Low Light Image Enhancement Challenge at NTIRE 2026
NTIRE 2026
本文综述了2026年NTIRE低光照图像增强挑战赛，评估了参赛方案与结果，展示了通过学习视觉线索提升低对比和噪声图像质量的进展。
2026-05-14 cs.CV
NTIRE 2024 Challenge on Low Light Image Enhancement: Methods and Results
本文回顾了NTIRE 2024低光照图像增强挑战赛，总结了428名注册者和22支有效提交队伍在超高分辨率、不均匀光照及极暗等复杂条件下生成明亮清晰图像的最新方法与显著进展。
2024-04-22 cs.CV
NTIRE 2024 Challenge on Image Super-Resolution (x4): Methods and Results
CVLAI
本文回顾NTIRE 2024图像超分辨率挑战赛（x4），总结参赛方案和成果，推动单图像超分辨率性能边界并概述当前趋势。
2026-06-17 cs.CV
NTIRE 2025 Challenge on Low Light Image Enhancement: Methods and Results
NTIRE 2025 Challenge on Low Light Image Enhancement: Methods and Results（NTIRE 2025 挑战赛低光照图像增强：方法与结果）
本文回顾 NTIRE 2025 低光图像增强挑战赛，旨在寻找在复杂条件下生成更亮、更清晰图像的有效网络，共 762 人注册，28 队提交有效结果，并评估了最新技术进展。
2025-10-15 cs.CV
NTIRE 2025 Challenge on Image Super-Resolution (x4): Methods and Results
CVPR 2025
本文介绍NTIRE 2025图像超分辨率（×4）挑战赛，包括恢复和感知两个子赛道，总结比赛设计、数据集、评估协议及25个团队的提交方法。
2026-06-17 cs.CV
NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: AI Flash Portrait (Track 3)
本文提出NTIRE 2026第三次RAIM挑战，聚焦AI闪光人像赛道，旨在解决低光照条件下人像修复的噪声抑制、细节保留与光照颜色还原平衡问题，提供包含800组真实低光照人像数据的评估数据集和基准代码。
2026-04-13 cs.CV
NTIRE 2025 XGC Quality Assessment Challenge: Methods and Results
The organizers of the NTIRE 2025 XGC Quality Challenge（NTIRE 2025 XGC质量评估挑战的组织者）
本文报告了NTIRE 2025 XGC质量评估挑战赛，涵盖用户生成视频、AI生成视频和说话人头像三个赛道，各参赛团队提出的方法均优于基线，推动了相关领域发展。
2025-06-03 cs.CV
The First Challenge on Mobile Real-World Image Super-Resolution at NTIRE 2026: Benchmark Results and Method Overview
NTIRE 2026
本文回顾了NTIRE 2026移动真实世界图像超分辨率挑战，介绍了提出的解决方案和结果，旨在通过x4降采样因子从未知退化生成的低分辨率图像中恢复高分辨率图像，同时确保模型在移动设备上可执行。
2026-04-19 cs.CV
NTIRE 2026 Low-light Enhancement: Twilight Cowboy Challenge
本文综述NTIRE 2026低光照增强挑战赛，其旨在合并低光照下未对齐智能手机图像，采用585场景数据集与三阶段评估，10支队伍超基线，PSNR最高升6.49dB、SSIM升0.0101，获burst低光照增强新SOTA。
2026-08-11 cs.CV
The Ninth NTIRE 2024 Efficient Super-Resolution Challenge Report
University of Pisa（比萨大学）；University of Trento（特伦托大学）
本文回顾了 NTIRE 2024 高效单图像超分辨率挑战赛，要求在保持 PSNR 的前提下优化运行时间、参数量和 FLOPs，共设 4 个赛道，吸引了 262 名参与者，推动了该领域最先进技术的发展。
2024-06-25 cs.CV eess.IV
NTIRE 2024 Quality Assessment of AI-Generated Content Challenge
本文报告了NTIRE 2024 AI生成内容质量评估挑战赛，涵盖图像和视频两个赛道，分别使用AIGIQA-20K和T2VQA-DB数据集，获胜方法在AIGC质量预测上优于基线方法。
2024-05-07 cs.CV
The Fourth Challenge on Image Super-Resolution ($\times$4) at NTIRE 2026: Benchmark Results and Method Overview
NTIRE 2026
本文介绍了NTIRE 2026图像超分辨率（×4）挑战，旨在从双三次下采样生成的低分辨率输入中重建高分辨率图像，包含恢复和感知两个赛道，总结了挑战设计、数据集、评估协议及主要结果。
2026-04-16 cs.CV
NTIRE 2021 Challenge on Quality Enhancement of Compressed Video: Dataset and Study
ETH Zürich（苏黎世联邦理工学院）
本文介绍了一种新的视频增强数据集，并研究了NTIRE 2021挑战赛中压缩视频质量增强的最新方法。该挑战赛是NTIRE在这个方向上的第一个挑战赛，有三场比赛、数百名参与者和数十个提议的解决方案。我们新收集的大规模多样化视频（LDV）数据集被用于挑战。在我们的研究中，我们分析了所提出的方法的挑战和几种方法在以前的工作中提出的LDV数据集。我们发现，NTIRE 2021挑战赛推进了压缩视频质量增强的最新技术。拟议的LDV数据集可在挑战赛的主页上公开获得：https://github.com/RenYang-home/NTIRE21_VEnh
2021-05-02 cs.CV eess.IV
Beyond Deep Residual Learning for Image Restoration: Persistent Homology-Guided Manifold Simplification
Bio Imaging Signal Processing Lab Korea Ad. Inst. of Science & Technology (KAIST)（韩国科学技术院生物影像信号处理实验室）
最新的深度学习方法在各种图像复原任务中的表现优于最先进的信号处理方法。然而，如果图像包含许多模式和结构，这些CNN的性能仍然较差。为了解决这个问题，在这里，我们提出了一种新的特征空间深度残差学习算法，优于现有的残差学习。的主要思想是源于观察到的性能的学习算法可以得到改善，如果输入和/或标签流形可以通过一个解析映射到一个特征空间的拓扑更简单。我们使用去噪实验和NTIRE单图像超分辨率（SISR）竞争进行的大量数值研究表明，所提出的特征空间残差学习优于现有的最先进的方法。此外，我们的算法在NTIRE竞赛中排名第三，与排名第一的团队相比，计算时间快了5-10倍。源代码可在https://github.com/iorism/CNN.git上获得
2017-06-08 cs.CV
NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: Professional Image Quality Assessment (Track 1)
NTIRE 2026 The 3rd Restore Any Image Model (RAIM) Challenge: Professional Image Quality Assessment (Track 1)（NTIRE 2026 第三次恢复任何图像模型（RAIM）挑战：专业图像质量评估（Track 1））
本文提出NTIRE 2026挑战赛，聚焦专业图像质量评估，通过多模态大语言模型提升图像评估的准确性与解释性，吸引200多团队参与，推动专业IQA领域的发展。
2026-04-14 cs.AI cs.CV
Beyond Model Design: Data-Centric Training and Self-Ensemble for Gaussian Color Image Denoising
Hefei University of Technology（合肥工业大学）；Hangzhou Dianzi University（杭州电子科技大学）；Jinan University（暨南大学）；South China Agricultural University（华南农业大学）；The University of Tokyo（东京大学）
本文提出解决NTIRE 2026图像去噪挑战的新方法，通过更强大的数据导向训练和更完整的测试时间能力释放，提升Restormer架构性能。在固定噪声水平σ=50下，通过扩大训练数据集和两阶段优化，使PSNR提升至30.762 dB，SSIM达0.861。
2026-04-27 cs.CV
Efficient Progressive High Dynamic Range Image Restoration via Attention and Alignment Network
AntGroup（蚂蚁集团）
HDR是计算摄影技术的重要组成部分。在本文中，我们提出了一个轻量级的神经网络，称为有效的注意力和注意力引导渐进网络（EAPNet）的挑战NTIRE 2022 HDR轨道1和轨道2。我们引入了一个多维度的轻量级编码模块来提取特征。此外，我们提出了渐进扩张U形块（PDUB），可以是一个渐进的即插即用模块，用于动态调整MAcs和PSNR。最后，我们使用快速和低功耗的特征对齐模块来处理错位问题，而不是耗时的变形卷积网络（DCN）。实验结果表明，该方法对MAccs图像的压缩比达到了20倍左右，且具有更好的μ PSNR和PSNR。我们在测试阶段获得了两条赛道的第二名。图1.显示了NTIRE 2022 HDR挑战的可视化结果。
2022-04-20 cs.CV cs.LG eess.IV
HINet: Half Instance Normalization Network for Image Restoration
MEGVII Technology（旷视科技）；Fudan University（复旦大学）；Peking University（北京大学）
在本文中，我们探讨了实例规范化在低级视觉任务中的作用。具体来说，我们提出了一种新的块：半实例归一化块（HIN块），以提高图像恢复网络的性能。基于HIN Block，我们设计了一个简单而强大的多级网络HINet，它由两个子网组成。在HIN Block的帮助下，HINet在各种图像恢复任务上超越了最先进的（SOTA）。对于图像去噪，在SIDD数据集上，PSNR分别超过0.11 dB和0.28 dB，而乘法累加器运算量仅为7.5%和30%，加速比分别为6.8倍和2.9倍。对于图像去模糊，我们在REDS和GoPro数据集上获得了22.5%的MAC和3.3倍的加速比。对于图像去噪，在多个数据集的平均结果上，我们的PSNR超过它0.3dB，加速比为1.4倍。凭借HINet，我们赢得了NTIRE 2021图像去模糊挑战赛-Track 2的第一名。JPEG伪影，PSNR为29.70。该代码可在https://github.com/megvii-model/HINet上获得。
2022-05-01 cs.CV eess.IV
GenSmoke-GS: A Multi-Stage Method for Novel View Synthesis from Smoke-Degraded Images Using a Generative Model
School of Computer Science and Technology, Hangzhou Dianzi University（杭州电子科技大学计算机科学与技术学院）；School of Computer Science and Technology, Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）计算机科学与技术学院）
本文提出GenSmoke-GS方法，通过多阶段流程提升烟雾退化图像的可视性，减少场景内容变化，实验表明其在定量和视觉质量上优于基线模型。
2026-04-06 cs.CV
Shallow camera pipeline for night photography rendering
University of Milano - Bicocca（米兰比可卡大学）
我们引入了一个相机管道，用于在低光条件下渲染视觉上令人愉悦的照片，作为NTIRE2022夜间摄影渲染挑战的一部分。鉴于任务的性质，其中目标是由专家摄影师口头定义的，而不是依赖于明确的地面实况图像，我们设计了一个手工制作的解决方案，其特征在于浅结构和低参数计数。我们的流水线利用局部光增强器作为高动态范围校正的一种形式，然后对图像直方图进行全局调整，以防止结果被冲掉。我们按比例将图像去噪应用于较暗的区域，在那里它更容易被感知，而不会丢失较亮区域的细节。该解决方案在比赛中获得第五名，优先投票数与其他参赛作品相当，基于深度卷积神经网络。代码可在www.github.com/AvailableAfterAcceptance上获得。
2022-04-19 cs.CV
NTIRE 2021 Depth Guided Image Relighting Challenge
NTIRE
图像重照明因其广泛的应用而受到越来越多的关注。从研究的角度来看，图像重光照可以用来进行图像归一化，用于领域自适应，也用于数据增强。它也有多种直接用途的照片蒙太奇和美学增强。在本文中，我们回顾了NTIRE 2021深度引导图像重新照明挑战。我们依靠VIDIT数据集来处理两个挑战轨道中的每一个，包括深度信息。第一个轨道是一对一重照明，目标是将输入图像的照明设置（色温和光源位置）转换为目标照明设置。在第二个轨道中，任何到任何重新照明挑战，目标是转换输入图像的照明设置，以匹配另一个向导图像的照明设置，类似于风格转换。在这两个轨道中，参与者都获得了有关捕获场景的深度信息。我们有近250名注册参赛者，在最后的比赛阶段有18个团队提交了确认的参赛作品。本文介绍了比赛、方法和最终结果。
2021-04-27 cs.CV eess.IV
EDVR: Video Restoration with Enhanced Deformable Convolutional Networks
Nanyang Technological University（南洋理工大学）；The Chinese University of Hong Kong（香港中文大学）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
视频恢复任务，包括超分辨率、去模糊等，在计算机视觉界引起越来越多的关注。NTIRE19 Challenge中发布了一个名为REDS的具有挑战性的基准测试。这个新的基准从两个方面挑战现有的方法：（1）如何对齐多个帧给定的大运动，以及（2）如何有效地融合不同的运动和模糊的不同帧。在这项工作中，我们提出了一种新的视频恢复框架与增强可变形网络，称为EDVR，以解决这些挑战。首先，为了处理大的运动，我们设计了一个金字塔，级联和可变形（PCD）对齐模块，其中帧对齐是在特征级使用可变形卷积以粗到细的方式完成的。其次，我们提出了一个时间和空间的注意力（TSA）融合模块，其中注意力在时间和空间上都适用，以便强调重要的功能，为后续的恢复。得益于这些模块，我们的EDVR在NTIRE19视频恢复和增强挑战赛的所有四个赛道中均获得冠军，并以较大的优势超过第二名。EDVR在视频超分辨率和去模糊方面也表现出了优于最先进的公开方法的性能。该代码可在https://github.com/xinntao/EDVR上获得。
2019-05-07 cs.CV
Evaluating BM3D and NBNet: A Comprehensive Study of Image Denoising Across Multiple Datasets
School of Electrical and Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
本文比较传统非学习型BM3D与现代学习型NBNet在多数据集上的图像去噪效果，发现BM3D擅长模糊场景、NBNet更适用于复杂噪声环境，为不同场景去噪策略选择提供参考。
2025-11-10 cs.CV eess.IV
NTIRE 2020 Challenge on Spectral Reconstruction from an RGB Image
本文综述了从RGB图像重建光谱的第二个挑战，即，从3通道RGB图像恢复全场景高光谱（HS）信息。如在先前的挑战中，提供了两个轨道：（i）“干净”轨道，其中HS图像是从无噪声RGB估计的，RGB图像本身是使用地面实况HS图像和所提供的光谱灵敏度函数来数值计算的;（ii）“真实世界”轨道，模拟由未校准和未知相机进行的捕获，其中HS图像是从噪声JPEG压缩的RGB图像恢复的。一个新的，比以往任何时候都大，自然高光谱图像数据集，共包含510 HS图像。清洁和真实世界赛道分别有103和78名注册参赛者，14支队伍参加最后的测试阶段。还提供了对所提出的方法的描述，以及它们的挑战分数和对最佳性能方法的广泛评估。他们从RGB图像中测量光谱重建的最新技术水平。
2020-05-07 cs.CV eess.IV
