1 【圖像分離、去雨/反射/陰影等】Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images

 

將圖像層從單個混合圖像分開是一項重要但具有挑戰性的任務。本文為圖像分離提出統一的框架“deep adversarial decomposition 深度對抗分解”。方法在對抗訓練下處理線性和非線性混合，可在多種計算機視覺任務（去雨，去反光/陰影）上達到最好的結果。

 

2 【圖像恢復】Learning Invariant Representation for Unsupervised Image Restoration

 

本文提出一種無監督學習的圖像恢復方法。通過解耦表征、對抗域適應從噪聲數據得到不變表示，輔助有效的自監督約束，可以重建具有更好細節的高質量圖像。

 

3 【去霧】Domain Adaptation for Image Dehazing

 

近年來，基于學習的方法進行圖像去霧已取得最先進的性能。但大多數方法都在合成模糊圖像上訓練除霧模型，由于域偏移domain shift，這些模型很難推廣到真實模糊圖像。為此提出一種領域適應范式，由一個圖像轉換模塊和兩個圖像去霧模塊組成。具體來說，首先應用雙向轉換網絡，通過將圖像從一個域轉換到另一個域，來彌合合成域和真實域間的鴻溝。然后，使用轉換前后的圖像來訓練具有一致性約束的兩個圖像去霧網絡。

 

4 【圖像重建、恢復、超分】EventSR: From Asynchronous Events to Image Reconstruction, Restoration, and Super-Resolution via End-to-End Adversarial Learning

 

事件相機Event cameras比傳統相機有許多優勢，從事件流中重建intensity images時，輸出卻是低分辨率（LR）、帶噪音且不夠逼真的。為此提出一種新的端到端pipeline，可從事件流中重建LR圖像，增強圖像質量并對增強后的圖像進行上采樣，稱為 EventSR。方法是無監督的、應用了對抗學習。有關實驗視頻https://youtu.be/OShS_MwHecs

5 【注意力機制、超分】Learning Texture Transformer Network for Image Super-Resolution

 

圖像超分辨率（SR）是從低分辨率（LR）圖像中恢復逼真的紋理；通過將高分辨率圖像用作參考（Ref），可將相關紋理遷移到LR圖像。但現有SR方法忽略了使用注意力機制從Ref圖像遷移高分辨率（HR）紋理的情況，本文提出TT（Texture Transformer Network）SR，其中LR和Ref圖像分別表示為轉換器中的查詢和關鍵字。TTSR由四個緊密相關的模塊組成，這些模塊針對圖像生成任務進行了優化，包括DNN可學習的紋理提取器，相關性嵌入模塊，用于紋理遷移的硬注意力模塊和用于紋理合成的軟注意力模塊。這樣的設計鼓勵了跨LR和Ref圖像的聯合特征學習，其中可通過注意力發現深層特征對應關系，從而可以傳遞/遷移準確的紋理特征信息。

 

6 【自監督、超分】PULSE: Self-Supervised Photo Upsampling via Latent Space Exploration of Generative Models

 

單圖像超分辨率的主要目的是從相應的低分辨率（LR）輸入構建高分辨率（HR）圖像。在通常受到監督的先前方法中，訓練目標通常測量超分辨（SR）和HR圖像之間的像素方向平均距離。優化此類指標通常會導致模糊。本文提出一種新型超分辨率算法PULSE（通過潛在空間探索進行照片上采樣），它以完全自監督的方式完成此任務。

7 【解耦表征、多模圖像轉換、超分、修復】Nested Scale-Editing for Conditional Image Synthesis

 

提出一種圖像合成方法，可在潛在碼空間中提供分層導航。對于微小局部或非常低分辨率的圖像，方法在生成最接近GT的采樣圖像方面始終勝過最新技術。