早期的数字图像复原亦来自频率域的概念。现代采取的是一种代数的方法，即通过解一个大的方程组来复原理想的图片。以提高图像质量为目的的图像增强和复原对于一些难以得到的图片或者在拍摄条件十分恶劣情况下得到的图片都有广泛的应用。例如从太空中拍摄到的地球或其他星球的照片，用电子显微镜或X光拍摄的生物医疗图片等。
使图像清晰或将其转换为更适合人或机器分析的形式。与图像复原不同，图像增强并不要求忠实地反映原始图像。相反，含有某种失真（例如突出轮廓线）的图像可能比无失真的原始图像更为清晰。常用的图像增强方法有：①灰度等级直方图处理：使加工后的图像在某一灰度范围内有更好的对比度；②干扰抑制：通过低通滤波、多图像平均、施行某类空间域算子等处理，抑制叠加在图像上的随机性干扰；③边缘锐化：通过高通滤波、差分运算或某种变换，使图形的轮廓线增强；④伪彩色处理：将黑白图像转换为彩色图像，从而使人们易于分析和检测图像包含的信息。
本文整理了CVPR 2021 图像复原/图像增强相关论文，AMiner已经通过AI技术对论文进行了精读，抽取了论文简介、重点内容、方法、结果等。通过精读论文，快速获取论文相关信息。
1.论文名称：NeX: Real-time View Synthesis with Neural Basis Expansion
论文链接：https://www.aminer.cn/pub/6048ac7391e0115491a5ccb3/
2.论文名称：Multi-Stage Progressive Image Restoration
论文链接：https://www.aminer.cn/pub/601d418191e0119457922529/
AMiner,让AI帮你理解科学：https://www.aminer.cn/
阅读原文，直达AMiner!