ECCV 2020 論文大盤點-影象增強與影象恢復篇
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。