下面是该类的一些题目：
| 题目 |
|---|
| 不良照明条件下的夜晚图像增强方法研究 |
| 基于人类感知机理的图像增强理论方法及应用研究 |
| 基于图像增强和循环对抗学习的自动胰腺分割方法研究 |
| 基于模型及深度学习的图像增强和重构 |
| 基于深度学习的图像增强技术在相干光断层扫描中的应用与评估 |
| 基于特征保持的彩色图像增强研究 |
| 基于非下采样剪切波变换的图像增强算法研究 |
| 融合X射线热声成像的肺部CT图像增强方法研究 |
| 车底检测系统图像增强及其软件测试效率研究 |
| 任务驱动的深度学习图像增强研究 |
| 低光照图像增强 |
| 低剂量肺部CT的图像增强及其辅助诊断应用研究 |
| 低照度图像增强方法研究 |
| 低照度彩色图像增强方法研究 |
| 低照度环境下彩色图像增强算法研究 |
| 使用注意力机制层和对抗网络的低照度图像增强算法研究 |
| 医学图像伪影消除的图像增强的神经网络算法 |
| 卫星多局部构件检测及低照度图像增强方法 |
| 图像增强算法在行车图像处理中的研究与应用 |
| 图像增强算法客观评价方法研究 |
| 基于Retinex和生成对抗网络的水下图像增强算法的研究与应用 |
| 基于Retinex理论图像增强研究 |
| 基于Retinex理论的低照度图像增强研究 |
| 基于U-Net网络的低光照图像增强算法的研究与实现 |
| 基于卷积神经网络的低照度图像增强 |
| 基于卷积神经网络的低质图像增强及超分辨复原技术研究 |
| 基于变分框架的图像增强算法研究 |
| 基于变分自编码器的低照度图像增强方法研究 |
| 基于图像去雾和水下图像增强的深度学习研究 |
| 基于图像增强与深度网络的行人检测方法研究 |
| 基于图像增强方法的小目标检测技术研究 |
| 基于图像增强的低照度目标识别方法研究 |
| 基于图像增强的语义分割方法研究与实现 |
| 基于图像融合和深度学习的手掌静脉图像增强方法 |
| 基于多尺度互特征卷积神经网络的深度图像增强 |
| 基于改进AOD-Net的铁路低照度图像增强技术研究 |
| 基于水下图像增强的目标检测识别方法研究 |
| 基于深度优化网络的图像增强算法研究 |
| 基于深度卷积神经网络的非均匀光照人脸图像增强与识别 |
| 基于深度卷积网络的图像增强及边缘检测技术研究 |
| 基于深度学习和Retinex理论的低照度图像增强算法研究 |
| 基于深度学习的低光彩码图像增强研究 |
| 基于深度学习的低照度图像增强方法研究 |
| 基于深度学习的低照度图像增强算法研究 |
| 基于深度学习的医学图像增强算法的研究 |
| 基于深度学习的图像增强技术研究 |
| 基于深度学习的图像增强算法研究 |
| 基于深度学习的图像增强系统的设计与实现 |
| 基于深度学习的天网图像增强算法应用研究 |
| 基于深度学习的水下图像增强方法研究 |
| 基于深度学习的水下图像增强算法研究 |
| 基于深度学习的红外指导低光图像增强技术研究 |
| 基于深度网络的暗光图像增强方法研究 |
| 基于生成对抗网络的UUV侧扫声呐图像增强方法研究 |
| 基于生成对抗网络的低照度图像增强方法研究 |
| 基于生成对抗网络的低照度图像增强方法研究 |
| 基于生成对抗网络的声呐图像增强方法研究 |
| 基于生成对抗网络的弱光图像增强方法研究 |
| 基于生成对抗网络的雷达图像增强技术研究 |
| 基于生成式对抗网络的声呐和雷达图像增强方法 |
| 基于磁共振定量成像的数字图像增强的研究 |
| 基于胶囊网络的低照度图像增强与识别方法研究 |
| 基于自适应融合图像增强和深度学习的手掌静脉识别研究 |
| 基于超分辨率的水下图像增强方法的研究 |
| 复杂天气条件下水天场景图像增强技术研究 |
| 复杂照度下的暗光图像增强研究 |
| 弱光图像增强技术研究 |
| 数字乳腺层析成像算法评估及图像增强方法研究 |
| 暗光环境下的图像增强方法研究 |
| 暗视觉环境下图像增强算法研究 |
| 水下图像增强与超分辨率算法研究 |
| 深度学习与超材料复合技术的核磁共振图像增强研究 |
| 深度学习在低光图像增强问题中的若干应用 |
| 甲状旁腺亢进自动检测与图像增强方法研究 |
| 眼底图像增强与分割方法研究 |
| 红外与弱可见光图像增强方法的研究 |
| 面向图像增强的优化驱动深度学习方法研究 |
| 面向智能交通的雨雾天气图像增强方法研究 |
| 面向水下机器人的图像增强与识别技术研究 |
| 面向海洋生物识别的水下图像增强算法研究 |
| 面向自动驾驶的夜间图像增强技术 |
| 面向自然场景文本识别的图像增强技术研究 |
| 面向识别的人脸图像增强和质量评价 |
| 面向识别的虹膜图像增强系统研究与实现 |
| 面向识别的远距离人脸图像增强方法研究 |
版权声明：本文为MetaGrad原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。