Awesome-ECCV2024/ECCV2020低层视觉论文代码集锦

Awesome-ECCV2024/ECCV2020低层视觉论文代码集锦

引言

低层视觉(Low-Level Vision)是计算机视觉领域的重要分支,主要研究如何从图像或视频中恢复和重建高质量的视觉信息。近年来,随着深度学习技术的发展,低层视觉领域取得了长足的进步。本文汇总了ECCV 2024和ECCV 2020两届会议中低层视觉相关的重要论文和代码,为研究者提供便利的资源索引。

ECCV 2024低层视觉论文汇总

ECCV (European Conference on Computer Vision) 是计算机视觉领域的顶级会议之一。ECCV 2024将于2024年举行,目前相关工作尚在进行中。本节将在会议召开后及时更新相关内容。

ECCV 2020低层视觉论文汇总

ECCV 2020于2020年8月23日至28日在线上举行。会议收录了许多优秀的低层视觉相关论文,涵盖了以下主要任务:

超分辨率

超分辨率(Super-Resolution)旨在从低分辨率图像重建高分辨率图像。ECCV 2020中的相关工作包括:

• Learning Texture Transformer Network for Image Super-Resolution
• Component Divide-and-Conquer for Real-World Image Super-Resolution
• Stochastic Frequency Masking to Improve Super-Resolution and Denoising Networks

这些工作分别从纹理学习、组件分解和频率掩蔽等角度提出了新的超分辨率方法。

图像去雨

图像去雨(Image Deraining)任务旨在去除图像中的雨streaks。ECCV 2020相关工作包括:

• Multi-Scale Progressive Fusion Network for Single Image Deraining
• Rethinking Image Deraining via Rain Streak Removal and Background Restoration

这些工作提出了多尺度融合和背景恢复等新思路来改进去雨效果。

图像去雾

图像去雾(Image Dehazing)旨在恢复被雾霾遮挡的图像细节。ECCV 2020相关工作包括:

• Single Image Dehazing via Multi-Scale Convolutional Neural Networks
• FFA-Net: Feature Fusion Attention Network for Single Image Dehazing

这些工作从多尺度卷积和特征融合注意力等角度改进了去雾网络。

图像去模糊

图像去模糊(Image Deblurring)旨在恢复运动模糊或散焦模糊的图像。ECCV 2020相关工作包括:

• Deblurring by Realistic Blurring
• Multi-Stage Progressive Image Restoration

这些工作分别从合成真实模糊和多阶段恢复的角度提出了新的去模糊方法。

图像去噪

图像去噪(Image Denoising)旨在去除图像中的噪声。ECCV 2020相关工作包括:

• Unpaired Learning of Deep Image Denoising
• A Physics-based Noise Formation Model for Extreme Low-light Raw Denoising

这些工作分别从无监督学习和物理噪声建模的角度改进了图像去噪效果。

图像恢复

图像恢复(Image Restoration)是一个广义概念,包含了多种低层视觉任务。ECCV 2020相关工作包括:

• Exploiting Deep Generative Prior for Versatile Image Restoration and Manipulation
• Towards Real-World Blind Face Restoration with Generative Facial Prior

这些工作利用生成模型先验来改进图像恢复效果。

图像增强

图像增强(Image Enhancement)旨在提升图像的视觉质量。ECCV 2020相关工作包括:

• Learning to Enhance Low-Light Image via Zero-Reference Deep Curve Estimation
• Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement

这些工作提出了零参考的深度曲线估计方法来增强低光照图像。

图像去摩尔纹

图像去摩尔纹(Image Demoireing)旨在去除数码相机拍摄的屏幕图像中的摩尔纹。ECCV 2020相关工作包括:

• Wavelet-Based Dual-Branch Network for Image Demoireing

该工作提出了基于小波变换的双分支网络结构来去除摩尔纹。

图像修复

图像修复(Image Inpainting)旨在填补图像中缺失或损坏的区域。ECCV 2020相关工作包括:

• Rethinking Image Inpainting via a Mutual Encoder-Decoder with Feature Equalizations

该工作提出了基于特征均衡的互编码-解码器结构来改进图像修复效果。

图像质量评价

图像质量评价(Image Quality Assessment)旨在客观评估图像的质量。ECCV 2020相关工作包括:

• Blindly Assess Image Quality in the Wild Guided by A Self-Adaptive Hyper Network

该工作提出了一种自适应超网络来指导图像质量的盲评估。

视频插帧

视频插帧(Video Frame Interpolation)旨在生成视频中的中间帧以提高帧率。ECCV 2020相关工作包括:

• BMBC: Bilateral Motion Estimation with Bilateral Cost Volume for Video Interpolation

该工作提出了双边运动估计和双边代价体来改进视频插帧效果。

图像/视频压缩

图像/视频压缩(Image/Video Compression)旨在以较小的存储空间保存高质量的图像/视频内容。ECCV 2020相关工作包括:

• Learned Video Compression via Joint Spatial-Temporal Correlation Exploration

该工作通过联合探索时空相关性来改进视频压缩效果。

总结与展望

ECCV 2020在低层视觉领域涌现了大量优秀工作,涵盖了超分辨率、去雨、去雾、去模糊、去噪等多个热门任务。这些工作从不同角度推动了低层视觉技术的进步,为实际应用奠定了基础。

展望未来,低层视觉领域仍有诸多挑战和机遇:

1. 真实场景下的鲁棒性:如何提高算法在复杂真实场景下的表现仍是一个重要问题。

2. 计算效率:如何在保证效果的同时提高算法的运行速度,使其适用于移动设备等资源受限场景。

3. 无监督/自监督学习:如何减少对标注数据的依赖,利用大量无标注数据进行学习。

4. 多任务协同:如何设计统一的框架同时解决多个低层视觉任务。

5. 与高层视觉任务的结合:如何将低层视觉技术与目标检测、语义分割等高层任务有机结合。

我们期待在ECCV 2024等未来的会议中看到更多创新性的工作,推动低层视觉技术的进一步发展。

参考资源

1. Awesome-ECCV2024-Low-Level-Vision
2. Awesome-ECCV2020-Low-Level-Vision
3. Awesome-CVPR2024-CVPR2021-CVPR2020-Low-Level-Vision
4. Awesome-ICCV2021-Low-Level-Vision
5. Awesome-Low-Level-Vision-Research-Groups

本文整理汇总了ECCV 2024和ECCV 2020两届会议中低层视觉领域的重要论文和代码。希望这些资源能为相关研究者提供便利,推动低层视觉技术的进一步发展。如有疏漏或错误,欢迎指正。让我们共同期待ECCV 2024带来的新突破!