本书主要介绍了图像画质相关的各类底层视觉任务及其相关算法，**讲解了去噪、超分辨率、去雾、高动态范围、图像合成与图像和谐化、图像增强与图像修饰等多种类型的基础任务的设定及其对应的经典算法和模型。本书讨论了底层视觉任务的基本特征，并从成像过程及图像处理的基础知识出发，系统分析了不同任务下的退化机制，以及对应的算法设计原则。本书在算法选择上兼顾了经典的传统图像算法及当前较新的人工智能模型算法，可以作为从图像处理领域或者深度学习领域进入底层计算机视觉领域进行学习的读者的基础读物。本书主要面向的读者群体包括深度学习与计算机视觉行业的从业人员，计算机、人工智能及其相关专业方向的学生，图像处理相关技术的爱好者与学习者。

第1章 画质算法与底层视觉概述1 1.1 画质算法的主要任务1 1.1.1 画质算法定义及其主要类别1 1.1.2 画质问题的核心：退化3 1.2 基于深度学习的底层视觉技术4 1.2.1 深度学习与神经网络4 1.2.2 底层视觉任务的特点5 第2章 画质处理的基础知识7 2.1 光照与成像7 2.1.1 视觉与光学成像7 2.1.2 Bayer阵列与去马赛克15 2.1.3 相机图像信号处理的基本流程20 2.2 色彩与颜色空间25 2.2.1 人眼色觉与色度图25 2.2.2 常见的颜色空间28 2.3 图像的影调调整方法32 2.3.1 直方图与对比度32 2.3.2 对比度拉伸与直方图均衡35 2.3.3 对比度增强算法的改进策略39 2.4 图像常见的空间操作42 2.4.1 基本图像变换：仿射变换与透视变换42 2.4.2 光流与帧间对齐50 2.5 图像的频域分析与图像金字塔54 2.5.1 傅里叶变换与频域分析54 2.5.2 自然图像的频域统计特性60 2.5.3 图像金字塔：高斯金字塔与拉普拉斯金字塔61 第3章 图像与视频去噪算法66 3.1 噪声的来源与数学模型66 3.1.1 图像噪声的物理来源66 3.1.2 噪声的数学模型68 3.2 去噪算法的难点与策略76 3.2.1 去噪算法的难点76 3.2.2 盲去噪与非盲去噪77 3.2.3 高斯去噪与真实噪声去噪77 3.2.4 去噪算法的评价指标78 3.3 传统去噪算法84 3.3.1 空域滤波：均值、高斯与中值滤波器84 3.3.2 非局部均值算法87 3.3.3 小波变换去噪算法90 3.3.4 双边滤波与导向滤波96 3.3.5 BM3D滤波算法104 3.4 深度学习去噪算法106 3.4.1 深度残差去噪网络DnCNN和FFDNet106 3.4.2 噪声估计网络去噪：CBDNet115 3.4.3 小波变换与神经网络的结合：MWCNN119 3.4.4 视频去噪：DVDNet和FastDVDNet125 3.4.5 基于Transformer的去噪方法：IPT与SwinIR132 3.4.6 自监督去噪算法：Noise2Noise、Noise2Void与DIP138 3.4.7 Raw域去噪策略与算法：Unprocess与CycleISP142 第4章 图像与视频超分辨率145 4.1 超分辨率任务概述146 4.1.1 分辨率与超分辨率任务146 4.1.2 超分辨率的任务设定与特点147 4.1.3 超分辨率的评价指标150 4.2 超分辨率的传统算法156 4.2.1 上采样插值算法与图像锐化处理156 4.2.2 基于自相似性的超分辨率162 4.2.3 基于稀疏编码的超分辨率164 4.3 经典深度学习超分辨率算法166 4.3.1 神经网络超分辨率开端：SRCNN和FSRCNN167 4.3.2 无参的**上采样：ESPCN171 4.3.3 无BN层的残差网络：EDSR173 4.3.4 残差稠密网络176 4.3.5 针对视觉画质的优化：SRGAN与ESRGAN178 4.3.6 注意力机制超分辨率网络：RCAN183 4.3.7 盲超分辨率中的退化估计：ZSSR与KernelGAN187 4.4 真实世界的超分辨率模型189 4.4.1 复杂退化模拟：BSRGAN与Real-ESRGAN189 4.4.2 图像域迁移：CycleGAN类网络与无监督超分辨率193 4.4.3 扩散模型的真实世界超分辨率：StableSR196 4.5 超分辨率模型的轻量化199 4.5.1 多分支信息蒸馏：IMDN与RFDN199 4.5.2 重参数化策略：ECBSR206 4.5.3 消除特征冗余：GhostSR214 4.5.4 单层极轻量化模型：edgeSR217 4.6 视频超分辨率模型简介221 4.6.1 视频超分辨率的特点221 4.6.2 BasicVSR、BasicVSR++与RealBasicVSR223 4.7 超分辨率模型的优化策略227 4.7.1 基于分频分区域处理的模型设计227 4.7.2 针对细节纹理的恢复策略228 4.7.3 可控可解释的画质恢复与超分辨率231 第5章 图像去雾235 5.1 图像去雾任务概述235 5.1.1 有雾图像的形成与影响235 5.1.2 有雾图像的退化：大气散射模型236 5.1.3 去雾算法的主要思路237 5.2 基于物理模型的去雾算法238 5.2.1 基于反照系数分解的Fattal去雾算法238 5.2.2 暗通道先验去雾算法243 5.2.3 颜色衰减先验去雾算法248 5.3 深度学习去雾算法255 5.3.1 端到端的透射图估计：DehazeNet255 5.3.2 轻量级去雾网络模型：AOD-Net260 5.3.3 基于GAN的去雾模型：Dehaze cGAN和Cycle-Dehaze262 5.3.4 金字塔稠密连接网络：DCPDN264 5.3.5 特征融合注意力去雾模型：FFA-Net265 第6章 图像高动态范围277 6.1 图像HDR任务简介277 6.1.1 动态范围的概念277 6.1.2 HDR任务分类与关键问题279 6.2 传统HDR相关算法280 6.2.1 多曝融合算法280 6.2.2 局部拉普拉斯滤波算法285 6.2.3 Reinhard摄影色调重建算法295 6.2.4 快速双边滤波色调映射算法301 6.3 基于神经网络模型的HDR算法306 6.3.1 网络模型的训练目标：MEF-SSIM306 6.3.2 端到端多曝融合算法：DeepFuse310 6.3.3 多曝权重的网络计算：MEF-Net313 6.3.4 注意力机制HDR网络：AHDRNet317 6.3.5 单图动态范围扩展：ExpandNet327 第7章 图像合成与图像和谐化331 7.1 图像合成任务简介331 7.2 经典图像合成算法332 7.2.1 alpha通道混合算法332 7.2.2 多尺度融合：拉普拉斯金字塔融合334 7.2.3 梯度域的无缝融合：泊松融合337 7.3 深度学习图像合成与图像和谐化343 7.3.1 空间分离注意力：S2AM模型344 7.3.2 域验证的和谐化：DoveNet348 7.3.3 背景引导的域转换：BargainNet354 7.3.4 前景到背景的风格迁移：RainNet357 第8章 图像增强与图像修饰360 8.1 图像增强任务概述360 8.2 传统低光增强算法361 8.2.1 基于反色去雾的低光增强算法361 8.2.2 多尺度Retinex算法364 8.3 神经网络模型的增强与颜色调整369 8.3.1 Retinex理论的模型实现：RetinexNet370 8.3.2 双边实时增强算法：HDRNet374 8.3.3 无参考图的低光增强：Zero-DCE376 8.3.4 可控的修图模型：CSRNet380 8.3.5 3D LUT类模型：图像自适应3D LUT和NILUT383 8.3.6 色域扩展：GamutNet和GamutMLP388