|
编辑:CV君 本文盘点 ECCV 2020 中底层图像处理方向相关的论文，包含：图像增强、图像恢复、去摩尔纹、去噪和质量评价论文，总计 29 篇，去摩尔纹 2 篇，去噪 10 篇，图像增强 7 篇，图像恢复 9 篇，质量评价 1 篇。 下载包含这些论文的 ECCV 2020 所有论文： https://mp.weixin.qq.com/s/8RPV4j7iMH6IRG8n6ZdoSg 去摩尔纹 Demoireing 去摩尔纹，图像恢复 FHDe²Net: Full High Definition Demoireing Network 作者 | Bin He, Ce Wang, Boxin Shi, Ling-Yu Duan 单位 | 北大；鹏城实验室 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123670715.pdf 备注 | ECCV 2020 提出 FHDe2Net 框架，以解决实际应用场景中高分辨率图像摩尔纹问题，并提供一个完整的高清晰度屏幕捕获的摩尔纹图像数据集，用于对该任务进行基准测试。验证得出 FHDe2Net 优于现有方法。  Wavelet-Based Dual-Branch Network for Image Demoiréing 作者 | Lin Liu, Jianzhuang Liu, Shanxin Yuan, Gregory Slabaugh, Ales Leonardis, Wengang Zhou, Qi Tian 单位 | 中国科学技术大学；华为诺亚方舟实验室；华为云 论文 | https:///abs/2007.07173 备注 | ECCV 2020 本文提出一种新型的基于小波的双分支网络(WDNet)来消除摩尔纹。与RGB域相比，在小波域工作可以还原更多的细节，在去除摩尔纹图案方面更有效。WDNet的密集分支和扩张分支分别负责近距离和远距离信息的获取。 WDNet 在 deraining 和 deraindrop 任务中也取得很好效果，另外还建立了一个新的城市场景数据集，其中包含了chalenging 类型 的摩尔模式，该数据集将被公开。 作者表示未来的工作包括将WDNet应用于其他视觉任务，如去噪和去马赛克。  去噪 Denoising Unpaired Learning of Deep Image Denoising 作者 | Xiaohe Wu, Ming Liu, Yue Cao, Dongwei Ren, Wangmeng Zuo 单位 | 哈尔滨工业大学；天津大学；鹏城实验室 论文 | https:///abs/2008.13711 代码 | https://github.com/XHWXD/DBSN 备注 | ECCV 2020 Spotlight  Practical Deep Raw Image Denoising on Mobile Devices 作者 | Yuzhi Wang, Haibin Huang, Qin Xu, Jiaming Liu, Yiqun Liu, Jue Wang 单位 | 清华大学；旷视科技 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123510001.pdf 备注 | ECCV 2020 Spotlight  Reconstructing the Noise Variance Manifold for Image Denoising 作者 | Ioannis Marras, Grigorios G. Chrysos, Ioannis Alexiou, Gregory Slabaugh, Stefanos Zafeiriou 单位 | 华为诺亚方舟实验室；帝国理工学院 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123540596.pdf 备注 | ECCV 2020  Burst Denoising via Temporally Shifted Wavelet Transforms 作者 | Xuejian Rong, Denis Demandolx, Kevin Matzen, Priyam Chatterjee, Yingli Tian 单位 | Facebook；纽约市立大学 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123580239.pdf 备注 | ECCV 2020  超分辨率+去噪 Stochastic Frequency Masking to Improve Super-Resolution and Denoising Networks 作者 | Majed El Helou, Ruofan Zhou, Sabine Süsstrunk 单位 | 洛桑联邦理工学院 论文 | https:///abs/2003.07119 代码 | https://github.com/majedelhelou/SFM 备注 | ECCV 2020  点云去噪 Learning Graph-Convolutional Representations for Point Cloud Denoising 作者 | Francesca Pistilli, Giulia Fracastoro, Diego Valsesia, Enrico Magli 单位 | 都灵理工大学 论文 | https:///abs/2007.02578 代码 | https://github.com/diegovalsesia/GPDNet 备注 | ECCV 2020  飞行识别深度图去噪 Spatial Hierarchy Aware Residual Pyramid Network for Time-of-Flight Depth Denoising 作者 | Guanting Dong, Yueyi Zhang, Zhiwei Xiong 单位 | 中国科学技术大学 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123690035.pdf 代码 | https://github.com/ashesknight/tof-mpi-remove 备注 | ECCV 2020 所提出方法在合成和现实数据集上都显著优于最先进的ToF深度去噪方法  Burst denoising A Decoupled Learning Scheme for Real-world Burst Denoising from Raw Images 作者 | Zhetong Liang, Shi Guo, Hong Gu, Huaqi Zhang, Lei Zhang 单位 | 香港理工大学；阿里达摩院；vivo 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123700154.pdf 备注 | ECCV 2020  Robust and On-the-fly Dataset Denoising for Image Classification 作者 | Jiaming Song, Lunjia Hu, Michael Auli, Yann Dauphin, Tengyu Ma 单位 | 斯坦福大学；FAIR；谷歌 论文 | https:///abs/2003.10647 备注 | ECCV 2020  Spatial-Adaptive Network for Single Image Denoising 作者 | Meng Chang, Qi Li, Huajun Feng, Zhihai Xu 单位 | 浙江大学 论文 | https:///abs/2001.10291 代码 | https://github.com/JimmyChame/SADNet 备注 | ECCV 2020 图像恢复 image restoration Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation 作者 | Xingang Pan, Xiaohang Zhan, Bo Dai, Dahua Lin, Chen Change Loy, Ping Luo 单位 | 港中文；南洋理工大学；香港大学 论文 | https:///abs/2003.13659 代码 | https://github.com/XingangPan/deep-generative-prior 备注 | ECCV 2020 oral 人脸图像恢复 Blind Face Restoration via Deep Multi-scale Component Dictionaries 作者 | Xiaoming Li, Chaofeng Chen, Shangchen Zhou, Xianhui Lin, Wangmeng Zuo, Lei Zhang 单位 | 哈尔滨工业大学；香港大学；南洋理工大学；阿里达摩院；鹏城实验室；香港理工大学 论文 | https:///abs/2008.00418 代码 | https://github.com/csxmli2016/DFDNet 备注 | ECCV 2020 图像恢复，图像质量评估 PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration PIPAL：一个用于感知图像恢复的大规模图像质量评估数据集 作者 | Jinjin Gu, Haoming Cai, Haoyu Chen, Xiaoxing Ye, Jimmy Ren, Chao Dong 单位 | 港中文；中科院；商汤等 论文 | https:///abs/2007.12142 备注 | ECCV 2020 构建了一个新型的IQA数据集：PIPAL，建立了IQA方法和IR算法的基准。验证表明现有的IQA方法在评估感知红外算法，特别是基于GAN的算法时面临挑战，通过引入 Anti－aliasing Pooling layers（抗锯齿池化层）改进IQA网络，并证明其有效性。 Stacking Networks Dynamically for Image Restoration Based on the Plug-and-Play Framework 作者 | Haixin Wang, Tianhao Zhang, Muzhi Yu, Jinan Sun, Wei Ye, Chen Wang , Shikun Zhang 单位 | 北大；北京科技大学 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123580443.pdf 备注 | ECCV 2020 LIRA: Lifelong Image Restoration from Unknown Blended Distortions 作者 | Jianzhao Liu, Jianxin Lin, Xin Li, Wei Zhou, Sen Liu, Zhibo Chen 单位 | 中国科学技术大学 论文 | https:///abs/2008.08242 备注 | ECCV 2020 动态可控的残差学习用于图像恢复 Interactive Multi-Dimension Modulation with Dynamic Controllable Residual Learning for Image Restoration 作者 | Jingwen He, Chao Dong, Yu Qiao 单位 | 中科院等 论文 | https:///abs/1912.05293 代码 | https://github.com/hejingwenhejingwen/CResMD 备注 | ECCV 2020 Microscopy Image Restoration with Deep Wiener-Kolmogorov Filters 作者 | Valeriya Pronina, Filippos Kokkinos, Dmitry V. Dylov, Stamatios Lefkimmiatis 单位 | Skolkovo科学技术研究所；伦敦大学学院；Q.bio Inc 论文 | https:///abs/1911.1098 备注 | ECCV 2020 研究人员将深度学习应用于图像修复算法的优化，在Wiener滤波器中集成了可学习的正则器。 完全可训练、可解释的非局部稀疏模型，用于图像恢复 Fully Trainable and Interpretable Non-Local Sparse Models for Image Restoration 作者 | Bruno Lecouat, Jean Ponce, Julien Mairal 单位 | 巴黎文理研究大学； 论文 | https:///abs/1912.02456 代码 | https://github.com/bruno-31/groupsc 备注 | ECCV 2020 Non-local self-similarity（非局部自相似性）和 sparsity（稀疏性）原则已被证明是自然图像建模的强大先决条件。 作者提出一个新型可微的联合稀疏模型，利用以上两个原则，得到一个通用的图像恢复框架，并具有以下特点： 1、trainable end to end 2、fully interpretable 3、much more compact than competing deep learning architectures 应用于去噪、jpeg解压和去马赛克，并表明，在参数只有100K的情况下，在几个标准基准上的性能与最先进的方法相当或更好，而最先进的方法可能有一个数量级或更多的参数。 Learning Disentangled Feature Representation for Hybrid-distorted Image Restoration 作者 | Xin Li, Xin Jin, Jianxin Lin, Tao Yu, Sen Liu, Yaojun Wu, Wei Zhou, Zhibo Chen 单位 | 中国科学技术大学 论文 | https:///abs/2007.11430 备注 | ECCV 2020 作者通过 FDM实现 channel-wise 特征解耦，减少了 hybrid-distorted（混合降质）之间的干扰，达到了hybrid-distorted（混合降质）图像修复的最佳性能。 图像与视频增强 Learning Enriched Features for Real Image Restoration and Enhancement 作者 | Syed Waqas Zamir, Aditya Arora, Salman Khan, Munawar Hayat, Fahad Shahbaz Khan, Ming-Hsuan Yang, Ling Shao 单位 | IIAI；穆罕默德·本·扎耶德人工智能大学；加州大学默塞德分校；谷歌 论文 | https:///abs/2003.06792 代码 | https://github.com/swz30/MIRNet 备注 | ECCV 2020 所提出方法的核心是一个多尺度残差块，包含几个关键要素： (a) 用于提取多尺度特征的并行多分辨率卷积流， (b) 多分辨率流之间的信息交换， (c) 用于捕捉上下文信息的空间和通道注意力机制， (d) 基于注意力的多尺度特征聚合。 一种针对视觉识别（分类、分割、识别）任务的底层图像增强方案 URIE: Universal Image Enhancement for Visual Recognition in the Wild 作者 | Taeyoung Son, Juwon Kang, Namyup Kim, Sunghyun Cho, Suha Kwak 单位 | POSTECH；GSAI 论文 | https:///abs/2007.08979 代码 | https://github.com/taeyoungson/urie 备注 | ECCV 2020 URIE图像增强可作为视觉识别的前置任务，改进识别精度。 低照度图像增强 Low Light Video Enhancement using Synthetic Data Produced with an Intermediate Domain Mapping 作者 | Danai Triantafyllidou, Sean Moran, Steven McDonagh, Sarah Parisot, Gregory Slabaugh 单位 | 华为诺亚方舟实验室 论文 | https:///abs/2007.09187 代码 | https://github.com/sjmoran/SIDGAN 备注 | ECCV 2020 介绍了Seeing In the Dark GAN（SIDGAN），一种数据合成方法，解决了RAW-to-RGB学习模型时遇到的训练数据瓶颈问题。 视频感知质量增强 Multi-level Wavelet-based Generative Adversarial Network for Perceptual Quality Enhancement of Compressed Video 作者 | Jianyi Wang, Xin Deng, Mai Xu, Congyong Chen, Yuhang Song 单位 | 北航；牛津大学 论文 | https:///abs/2008.00499 代码 | https://github.com/IceClear/MW-GAN 备注 | ECCV 2020 Compressed video (QP=42) Ours Early Exit Or Not: Resource-Efficient Blind Quality Enhancement for Compressed Images 作者 | Qunliang Xing, Mai Xu, Tianyi Li, Zhenyu Guan 单位 | 北航 论文 | https:///abs/2006.16581 代码 | https://github.com/RyanXingQL/RBQE 备注 | ECCV 2020 证明 easy/hard 样本在质量增强中存在，并作为所提出方法的理论基础，提出 RBQE 方法，采用简而有效的动态 DNN 架构，处理 'easy to hard '的范式进行盲图像质量增强。开发一个 Tchebichef moments-based IQAM，用于动态DNN结构中的 early-exit。 Global and Local Enhancement Networks for Paired and Unpaired Image Enhancement 作者 | Han-Ul Kim, Young Jun Koh, Chang-Su Kim 单位 | 韩国高丽大学；韩国忠南大学 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123700341.pdf 备注 | ECCV 2020 提出用于 paired 和 unpaired 图像增强的GEN和LEN。提出针对 unpaired 图像增强的两阶段训练方案。所提出的方法在MIT-Adobe 5K数据集上表现出优异的性能。 PieNet: Personalized Image Enhancement Network 作者 | Han-Ul Kim, Young Jun Koh, Chang-Su Kim 单位 | 韩国高丽大学；韩国忠南大学 论文 | https://www./papers/eccv_2020/ papers_ECCV/papers/123750375.pdf 代码 | https://github.com/hukim1124/PieNet 备注 | ECCV 2020 开发PieNet来解决图像增强中的 personalization 问题，在MIT-Adobe 5K上具有显著的通用图像增强性能，PieNet卓越的泛化性，只需选择10～20张喜欢的图片，就能实现新用户的个性化。 图像质量评价 GIQA: Generated Image Quality Assessment 作者 | Shuyang Gu, Jianmin Bao, Dong Chen, Fang Wen 单位 | 中国科学技术大学；微软 论文 | https:///abs/2003.08932 代码 | https://github.com/cientgu/GIQA 作者称是第一个提出生成图像质量评估（GIQA）的课题，从两个角度提出了三种新颖的方法。所提出方法具有通用性，可用于很多应用，如分别评估生成模型的质量和多样性，通过OHEM改进生成模型的结果。发布了LGIQA数据集，用于评价不同的GIQA方法。 本文为我爱计算机视觉公众号整理，转载请注明出处。 |
|
|
来自： taotao_2016 > 《图像处理》
