本文盤點 ECCV 2020 中所有底層影象處理方向相關論文，包含：影象增強，影象恢復，去摩爾紋、去噪和質量評價論文，總計 29 篇，去摩爾紋 2 篇，去噪 10 篇，影象增強 7 篇，影象恢復 9 篇，質量評價 1 篇。

下載包含這些論文的 ECCV 2020 所有論文：

去摩爾紋 Demoireing

去摩爾紋，影象恢復

FHDe²Net： Full High Definition Demoireing Network

作者 | Bin He， Ce Wang， Boxin Shi， Ling-Yu Duan

單位 | 北大；鵬城實驗室

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123670715。pdf

備註 | ECCV 2020

提出 FHDe2Net 框架，以解決實際應用場景中高解析度影象摩爾紋問題，並提供一個完整的高畫質晰度螢幕捕獲的摩爾紋影象資料集，用於對該任務進行基準測試。驗證得出 FHDe2Net 優於現有方法。

Wavelet-Based Dual-Branch Network for Image Demoiréing

作者 | Lin Liu， Jianzhuang Liu， Shanxin Yuan， Gregory Slabaugh， Ales Leonardis， Wengang Zhou， Qi Tian

單位 | 中國科學技術大學；華為諾亞方舟實驗室；華為雲

論文 |

https：//

arxiv。org/abs/2007。0717

3

備註 | ECCV 2020

本文提出一種新型的基於小波的雙分支網路（WDNet）來消除摩爾紋。與RGB域相比，在小波域工作可以還原更多的細節，在去除摩爾紋圖案方面更有效。WDNet的密集分支和擴張分支分別負責近距離和遠距離資訊的獲取。

WDNet 在 deraining 和 deraindrop 任務中也取得很好效果，另外還建立了一個新的城市場景資料集，其中包含了chalenging 型別 的摩爾模式，該資料集將被公開。

作者表示未來的工作包括將WDNet應用於其他視覺任務，如去噪和去馬賽克。

去噪 Denoising

Unpaired Learning of Deep Image Denoising

作者 | Xiaohe Wu， Ming Liu， Yue Cao， Dongwei Ren， Wangmeng Zuo

單位 | 哈爾濱工業大學；天津大學；鵬城實驗室

論文 |

https：//

arxiv。org/abs/2008。1371

1

程式碼 |

https：//

github。com/XHWXD/DBSN

備註 | 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

單位 | 清華大學；曠視科技

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123510001。pdf

備註 | ECCV 2020 Spotlight

Reconstructing the Noise Variance Manifold for Image Denoising

作者 | Ioannis Marras， Grigorios G。 Chrysos， Ioannis Alexiou， Gregory Slabaugh， Stefanos Zafeiriou

單位 | 華為諾亞方舟實驗室；帝國理工學院

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123540596。pdf

備註 | ECCV 2020

Burst Denoising via Temporally Shifted Wavelet Transforms

作者 | Xuejian Rong， Denis Demandolx， Kevin Matzen， Priyam Chatterjee， Yingli Tian

單位 | Facebook；紐約市立大學

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123580239。pdf

備註 | ECCV 2020

Stochastic Frequency Masking to Improve Super-Resolution and Denoising Networks

作者 | Majed El Helou， Ruofan Zhou， Sabine Süsstrunk

單位 | 洛桑聯邦理工學院

論文 |

https：//

arxiv。org/abs/2003。0711

9

程式碼 |

https：//

github。com/majedelhelou

/SFM

備註 | ECCV 2020

Learning Graph-Convolutional Representations for Point Cloud Denoising

作者 | Francesca Pistilli， Giulia Fracastoro， Diego Valsesia， Enrico Magli

單位 | 都靈理工大學

論文 |

https：//

arxiv。org/abs/2007。0257

8

程式碼 |

https：//

github。com/diegovalsesi

a/GPDNet

備註 | ECCV 2020

Spatial Hierarchy Aware Residual Pyramid Network for Time-of-Flight Depth Denoising

作者 | Guanting Dong， Yueyi Zhang， Zhiwei Xiong

單位 | 中國科學技術大學

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123690035。pdf

程式碼 |

https：//

github。com/ashesknight/

tof-mpi-remove

備註 | ECCV 2020

所提出方法在合成和現實資料集上都顯著優於最先進的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

單位 | 香港理工大學；阿里達摩院；vivo

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123700154。pdf

備註 | ECCV 2020

Robust and On-the-fly Dataset Denoising for Image Classification

作者 | Jiaming Song， Lunjia Hu， Michael Auli， Yann Dauphin， Tengyu Ma

單位 | 斯坦福大學；FAIR；谷歌

論文 |

https：//

arxiv。org/abs/2003。1064

7

備註 | ECCV 2020

Spatial-Adaptive Network for Single Image Denoising

作者 | Meng Chang， Qi Li， Huajun Feng， Zhihai Xu

單位 | 浙江大學

論文 |

https：//

arxiv。org/abs/2001。1029

1

程式碼 |

https：//

github。com/JimmyChame/S

ADNet

備註 | ECCV 2020

影象恢復 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

單位 | 港中文；南洋理工大學；香港大學

論文 |

https：//

arxiv。org/abs/2003。1365

9

程式碼 |

https：//

github。com/XingangPan/d

eep-generative-prior

備註 | ECCV 2020 oral

Blind Face Restoration via Deep Multi-scale Component Dictionaries

作者 | Xiaoming Li， Chaofeng Chen， Shangchen Zhou， Xianhui Lin， Wangmeng Zuo， Lei Zhang

單位 | 哈爾濱工業大學；香港大學；南洋理工大學；阿里達摩院；鵬城實驗室；香港理工大學

論文 |

https：//

arxiv。org/abs/2008。0041

8

程式碼 |

https：//

github。com/csxmli2016/D

FDNet

備註 | ECCV 2020

影象恢復，影象質量評估

PIPAL： a Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration

PIPAL：一個用於感知影象恢復的大規模影象質量評估資料集

作者 | Jinjin Gu， Haoming Cai， Haoyu Chen， Xiaoxing Ye， Jimmy Ren， Chao Dong

單位 | 港中文；中科院；商湯等

論文 |

https：//

arxiv。org/abs/2007。1214

2

備註 | ECCV 2020

構建了一個新型的IQA資料集：PIPAL，建立了IQA方法和IR演算法的基準。驗證表明現有的IQA方法在評估感知紅外演算法，特別是基於GAN的演算法時面臨挑戰，透過引入 Anti－aliasing Pooling layers（抗鋸齒池化層）改進IQA網路，並證明其有效性。

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

單位 | 北大；北京科技大學

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123580443。pdf

備註 | ECCV 2020

LIRA： Lifelong Image Restoration from Unknown Blended Distortions

作者 | Jianzhao Liu， Jianxin Lin， Xin Li， Wei Zhou， Sen Liu， Zhibo Chen

單位 | 中國科學技術大學

論文 |

https：//

arxiv。org/abs/2008。0824

2

備註 | ECCV 2020

Interactive Multi-Dimension Modulation with Dynamic Controllable Residual Learning for Image Restoration

作者 | Jingwen He， Chao Dong， Yu Qiao

單位 | 中科院等

論文 |

https：//

arxiv。org/abs/1912。0529

3

程式碼 |

https：//

github。com/hejingwenhej

ingwen/CResMD

備註 | ECCV 2020

Microscopy Image Restoration with Deep Wiener-Kolmogorov Filters

作者 | Valeriya Pronina， Filippos Kokkinos， Dmitry V。 Dylov， Stamatios Lefkimmiatis

單位 | Skolkovo科學技術研究所；倫敦大學學院；Q。bio Inc

論文 |

https：//

arxiv。org/abs/1911。1098

備註 | ECCV 2020

研究人員將深度學習應用於影象修復演算法的最佳化，在Wiener濾波器中集成了可學習的正則器。

Fully Trainable and Interpretable Non-Local Sparse Models for Image Restoration

作者 | Bruno Lecouat， Jean Ponce， Julien Mairal

單位 | 巴黎文理研究大學；

論文 |

https：//

arxiv。org/abs/1912。0245

6

程式碼 |

https：//

github。com/bruno-31/gro

upsc

備註 | ECCV 2020

Non-local self-similarity（非區域性自相似性）和 sparsity（稀疏性）原則已被證明是自然影象建模的強大先決條件。

作者提出一個新型可微的聯合稀疏模型，利用以上兩個原則，得到一個通用的影象恢復框架，並具有以下特點：

1、trainable end to end

2、fully interpretable

3、much more compact than competing deep learning architectures

應用於去噪、jpeg解壓和去馬賽克，並表明，在引數只有100K的情況下，在幾個標準基準上的效能與最先進的方法相當或更好，而最先進的方法可能有一個數量級或更多的引數。

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

單位 | 中國科學技術大學

論文 |

https：//

arxiv。org/abs/2007。1143

0

備註 | ECCV 2020

作者透過 FDM實現 channel-wise 特徵解離，減少了 hybrid-distorted（混合降質）之間的干擾，達到了hybrid-distorted（混合降質）影象修復的最佳效能。

影象與影片增強

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

單位 | IIAI；穆罕默德·本·扎耶德人工智慧大學；加州大學默塞德分校；谷歌

論文 |

https：//

arxiv。org/abs/2003。0679

2

程式碼 |

https：//

github。com/swz30/MIRNet

備註 | ECCV 2020

所提出方法的核心是一個多尺度殘差塊，包含幾個關鍵要素：

（a） 用於提取多尺度特徵的並行多解析度卷積流，

（b） 多解析度流之間的資訊交換，

（c） 用於捕捉上下文資訊的空間和通道注意力機制，

（d） 基於注意力的多尺度特徵聚合。

一種針對視覺識別（分類、分割、識別）任務的底層影象增強方案

URIE： Universal Image Enhancement for Visual Recognition in the Wild

作者 | Taeyoung Son， Juwon Kang， Namyup Kim， Sunghyun Cho， Suha Kwak

單位 | POSTECH；GSAI

論文 |

https：//

arxiv。org/abs/2007。0897

9

程式碼 |

https：//

github。com/taeyoungson/

urie

備註 | ECCV 2020

URIE影象增強可作為視覺識別的前置任務，改進識別精度。

低照度影象增強

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

單位 | 華為諾亞方舟實驗室

論文 |

https：//

arxiv。org/abs/2007。0918

7

程式碼 |

https：//

github。com/sjmoran/SIDG

AN

備註 | ECCV 2020

介紹了Seeing In the Dark GAN（SIDGAN），一種資料綜合方法，解決了RAW-to-RGB學習模型時遇到的訓練資料瓶頸問題。

影片感知質量增強

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

單位 | 北航；牛津大學

論文 |

https：//

arxiv。org/abs/2008。0049

9

程式碼 |

https：//

github。com/IceClear/MW-

GAN

備註 | 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

單位 | 北航

論文 |

https：//

arxiv。org/abs/2006。1658

1

程式碼 |

https：//

github。com/RyanXingQL/R

BQ

E

備註 | ECCV 2020

證明 easy/hard 樣本在質量增強中存在，並作為所提出方法的理論基礎，提出 RBQE 方法，採用簡而有效的動態 DNN 架構，處理 “easy to hard ”的正規化進行盲目質量增強。開發一個 Tchebichef moments-based IQAM，用於動態DNN結構中的 early-exit。

Global and Local Enhancement Networks for Paired and Unpaired Image Enhancement

作者 | Han-Ul Kim， Young Jun Koh， Chang-Su Kim

單位 | 韓國高麗大學；韓國忠南大學

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123700341。pdf

備註 | ECCV 2020

提出用於 paired 和 unpaired 影象增強的GEN和LEN。提出針對 unpaired 影象增強的兩階段訓練方案。所提出的方法在MIT-Adobe 5K資料集上表現出優異的效能。

PieNet： Personalized Image Enhancement Network

作者 | Han-Ul Kim， Young Jun Koh， Chang-Su Kim

單位 | 韓國高麗大學；韓國忠南大學

論文 |

https：//www。

ecva。net/papers/eccv_20

20/papers_ECCV/papers/123750375。pdf

程式碼 |

https：//

github。com/hukim1124/Pi

eNet

備註 | ECCV 2020

開發PieNet來解決影象增強中的 personalization 問題，在MIT-Adobe 5K上具有顯著的通用影象增強效能，PieNet卓越的泛化性，只需選擇10～20張喜歡的圖片，就能實現新使用者的個性化。

影象質量評價

GIQA： Generated Image Quality Assessment

作者 | Shuyang Gu， Jianmin Bao， Dong Chen， Fang Wen

單位 | 中國科學技術大學；微軟

論文 |

https：//

arxiv。org/abs/2003。0893

2

程式碼 |

https：//

github。com/cientgu/GIQA

作者稱是第一個提出生成影象質量評估（GIQA）的課題，從兩個角度提出了三種新穎的方法。所提出方法具有通用性，可用於很多應用，如分別評估生成模型的質量和多樣性，透過OHEM改進生成模型的結果。釋出了LGIQA資料集，用於評價不同的GIQA方法。