1. 深度图像超分：●实现 TOF 相机的深度图像超分论文：Deep End to End TOF 和 Deep TOF 达到论文中的结果；
· 将 TOF 相机的四通道原始数据其作为输入，在 LapSRN 和 EDSR 网络上分别进行实验，训练模型以得出 SR 图像；
· 由于以上实验结果不理想，将输入数据更改为单通道的深度图像，再次进行多组实验（更改少量网络结构和损失函数）并训练模型，最终得出混合数据并且在 LapSRN 网络的预训练模型基础上效果较好的结论（最终得出PSNR=33.425）。并同时相比较于 Edge-Guided 方法（非 DL 方法）(PSNR=30.791)有明显改善。
2. 图像降噪：●实现相关论文 ResDNet 和 Deep Jointly Demosaic and Denoise 两篇并达到论文中的结果；
· 采集得到 raw 数据，将其输入模拟器 SenseImaging 中以得到模拟的 raw 图像，并辅助参与模拟器开发；
· 将 raw 作为网络 ResDNet 的输入数据， 并进行网络微调， 得到共同去马赛克和去噪的结果。( 最终得出
PSNR=36.38)

1. 人脸胖瘦与性别的分类：●采集亚洲人脸数据，使用 dlib 检测人脸作为数据集；
· 利用 InceptionV3 网络进行胖瘦与性别的分类（共四类）；
· 为提高准确率，将上述思路更改为同时进行性别分类和胖瘦分类，最终达到 96%的准确率。
2. 舌像细粒度分析：●利用 dlib 检测器获取人脸 68 个关键点，根据关键点获取嘴唇，进而获得舌像作为数据集；
· 基于 VGG16 网络训练舌像和非舌像的二分类器；
· 利用 VGG16 训练标准舌像（共六种）的六分类器；
· 使用直方图匹配算法将病人舌像与标准舌像进行比对，最终可视化出重点患病区域。
3. 机场积水分割：●利用 labelme 进行数据标注，使用分割网络 SegNet 和 U-Net 完成机场积水的分割。