批注：评分为博主的个人评价，而非客观衡量论文质量和贡献程度。评分主要考虑的是这些论文对博主项目的帮助度。
图像重建
去压缩失真
多帧压缩视频质量增强（MFQE 2.0）：质量差帧 借鉴 质量好帧。第一个基于压缩视频质量波动特性，解决压缩视频质量增强。2019 TPAMI。⭐⭐⭐⭐
MFQE (1.0)：2018 CVPR。⭐⭐⭐⭐
CU分割图引导质量增强：将 CU分割图 卷积后 与 增强网络的特征图 融合。实验发现，对CU分割图进行平均池化 搭配 求和融合 效果最好。2018 ICIP。⭐⭐⭐
JPEG图像去压缩失真：同时使用 感知损失、对抗损失 和 JPEG DCT量化合理性损失。2017 CVPR。⭐⭐
JPEG图像双域法快速重建：将 基于字典学习和稀疏表示的双域法 用 深度学习 实现。2016 CVPR。⭐⭐⭐
去噪
盲去噪CNN（CBDNet）：生成噪声水平图，引导非盲去噪网络实现盲去噪。2019 CVPR。⭐⭐⭐
无需干净样本的盲去噪（Noise2Noise）：简单的论证和充分的实验证明：由于有噪图像（同一分布的独立抽样）的期望是相同的，因此我们可以学习 有噪图像 到 有噪图像（同一分布的独立抽样） 的映射，得到盲去噪网络，而无需干净图像。2018 ICML。⭐⭐⭐⭐⭐
噪声水平图引导的去噪CNN（FFDNet）：输入噪声水平图，引导去噪网络。2018 TIP。⭐⭐⭐
第一个DNN去噪（DnCNN）：20层去噪CNN。2017 TIP。⭐⭐⭐⭐
美图
- 对比度受限的自适应直方图均衡：限制直方图分布函数的斜率，从而在AHE的同时抑制底噪放大。1994 Graphics gems IV。⭐⭐⭐⭐
图像质量评估
无监督
- 评估去模糊后的图像：利用切比雪夫矩，同时评估 平滑区域的块效应 以及 纹理区域的模糊效应。2016 Neurocomputing。⭐⭐⭐
图像分类
仿射变换置入类别先验：对中间层的特征图，根据图像分割信息（类别先验），学习仿射变换参数并进行仿射变换。类似于BN。2018 CVPR。⭐⭐⭐
复杂样本复杂推理，简单样本简单推理（MSDNet）：简单样本可以early exit。作者设计了一个深度、多尺度的网络，缓冲中间层分类器的影响。⭐⭐⭐⭐
深度学习
CNN
减小低频冗余（OctConv）：用高斯滤波降采样，得到图像的高、低频分量。对低频分量采用尺寸更小的卷积通道。作者还设计了不同尺寸通道之间信息交流的方式。2019 ICCV。⭐⭐⭐
稠密连接+短连接网络（RDN）：在全局和局部（每一个block内）都存在短连接和稠密连接。2018 CVPR。⭐⭐⭐
稠密连接网络（DenseNet）：稠密连接、窄通道，在 网络健壮性 和 精简计算量 之间权衡。2017 CVPR。⭐⭐⭐⭐
U型编码-解码稠密连接网络（U-Net）：最初用于医学图像分割。但用于其他视觉任务效果奇佳。参数量只有4M。2015 MICCAI。⭐⭐⭐⭐
正则化
- Batch Normalization：在每一层卷积的非线性之前，让特征归一化，有利于下一层网络学习。2015 ICML。⭐⭐⭐⭐⭐
注意力机制
- 特征空域注意力：对特征图中的某些区域 复杂推理，对其他区域 简单推理（短连接），在 图像分割 和 图像分类 任务上 实现了类似 显著性图 的效果。2017 CVPR。⭐⭐⭐⭐
动态推导
- 动态RDN：在RDN的基础上加入LSTM，判断某个RDB是否能被跳过，节省计算量。2019 Sensors。⭐⭐
反馈结构
- 反馈学习的重要性：基于Conv-LSTM，实验性地探究了 反馈结构 对 图像分类 的意义。同时还结合了渐进课程学习方法，coarse-to-fine地惩罚网络，符合coarse-to-fine分类原理。2017 CVPR。⭐⭐⭐⭐
多任务和迁移学习
量化多任务之间的相关性（Taskonomy）和最佳迁移策略：提供了实验方法，即测量迁移学习的成功性。2018 CVPR。⭐⭐⭐⭐
自主学习两个网络之间的迁移（十字绣结构）：在两个网络之间构建十字绣结构，迁移参数是可学习的。2016 CVPR。⭐⭐⭐
探究深度网络特征的可迁移性：实验论证了深度网络中不同深度特征的可迁移性，同时论证了正确的迁移学习姿势。2014 NIPS。⭐⭐⭐⭐
系统阐述了多任务机制：MTL必引论文。1997 Machine Learning。⭐⭐⭐⭐⭐