CVPR2020最佳论文下载、解读&历届（2000～2020） CVPR 最佳论文汇总

本文汇总了从 2000 ~ 2020年历届CVPR 会议最佳论文 ，附上作者和论文链接(论文题目含超链），部分含论文解读和代码。文末有最佳论文合集的 下载链接~

值得注意的是：香港中文大学汤晓鸥教授、博士生何恺明与微软亚洲研究院孙剑合作取得的有关图像去雾的论文（CVPR 2009）是自CVPR设立以来第一次由我国研究单位为主取得的 CVPR最佳论文奖。

西北工业大学何明一教授及其博士生戴玉超以及澳大利亚国立大学高级研究人员Hongdong Li博士合作完成的论文“一种简单的不需要先验信息的非刚性结构与运动恢复方法 "获得了CVPR 2012 最佳论文奖，西北工业大学也因此成为中国大陆第一个获得计算机视觉顶级会议最佳论文的研究机构。

2020 (1篇）

Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild
**作者：**吴尚哲, Christian Rupprecht, Andrea Vedaldi

**核心内容：**本文提出了一种无需外部监督即可从原始单视图图像中学习3D变形对象的方法。该方法基于自动编码器，该自动编码器将每个输入图像分解为深度，反射率，视角和照明。为了在无监督的情况下解构这些组件，作者使用了以下事实：许多对象类别至少在原则上具有对称结构。

作者通过光照的推理来利用底层对象的对称性，即使外观由于阴影而不对称。接着通过预测对称概率图来建模可能（但不一定）对称的对象，并与模型的其他组件联合起来进行端到端的学习。实验表明该方法可以从单视图图像中非常准确地恢复人脸，猫脸和汽车的3D形状，而无需任何监督或预先设定的形状模型。

CVPR 2020最佳论文和最佳学生论文一作均为华人！缅怀首位华人CVPR程序主席，成立黄煦涛纪念奖

2019（1篇）

A Theory of Fermat Paths for Non-Line-of-Sight Shape Reconstruction
非视线形状重建的费马路径理论

作者： 辛书冕, Sotiris Nousias, Kiriakos N. Kutulakos, Aswin C. Sankaranarayanan, Srinivasa G. Narasimhan and Ioannis Gkioulekas

核心内容： 我们提出了一个新的理论，即在一个已知的可见场景和一个不在瞬态相机视线范围内的未知物体之间的费马路径（fermat path）。这些光路或者遵守镜面反射，或者被物体的边界反射，从而编码隐藏物体的形状。
我们证明费马路径对应于瞬态测量中的不连续性。基于此，我们推导出一种新的约束，它将这些不连续处的路径长度的空间导数与表面法线相关联。
基于这一理论，我们提出了一种名为Fermat Flow的算法来估计非视距物体的形状。我们的方法第一次实现复杂对象的精确形状恢复，范围从隐藏在拐角处以及隐藏在漫射器后面的漫反射到镜面反射。
最后，我们的方法与用于瞬态成像的特定技术无关。因此，我们展示了使用SPAD和超快激光从皮秒级瞬态恢复的毫米级形状，以及使用干涉测量法从飞秒级瞬态微米级重建。我们相信，这项工作是非视距成像技术的重大进步。

获奖理由： 这篇论文作出重大进步的问题是非视线内的物体形状重建，换句话说就是能看到墙角后面的东西。这篇论文的理论部分非常优美，而且同样非常给人带来激励。它把计算机视觉所能解决的问题的边界继续向前推进了一步。

CVPR 2019最佳论文得主专访：非视距形状重建的费马路径理论

2018（1篇）

Taskonomy: Disentangling Task Transfer Learning
任务学：任务迁移学习的解耦

作者： Amir R. Zamir, Stanford University；Alexander Sax, Stanford University；
沈博魁, Stanford University；Leonidas Guibas, Stanford University；
Jitendra Malik, University of California Berkeley；Silvio Savarese, Stanford University

核心内容： 论文研究了一个非常新颖的课题，那就是研究视觉任务之间的关系，根据得出的关系可以帮助在不同任务之间做迁移学习。该论文提出了「Taskonomy」——一种完全计算化的方法，可以量化计算大量任务之间的关系，从它们之间提出统一的结构，并把它作为迁移学习的模型。实验设置上，作者首先找来一组一共 26 个任务，当中包括了语义、 2D、2.5D、3D 任务，接着为任务列表里的这 26 个任务分别训练了 26 个任务专用神经网络。结果显示，这些迁移后的模型的表现已经和作为黄金标准的任务专用网络的表现差不多好。论文提供了一套计算和探测相关分类结构的工具，其中包括一个求解器，用户可以用它来为其用例设计有效的监督策略。

论文解读

代码链接

CVPR2018最佳论文演讲：研究任务之间的联系才是做迁移学习的正确姿势

CVPR2018 笔记 Taskonomy: Disentangling Task Transfer Learning

Taskonomy的网站：taskonomy.stanford.edu.

【CVPR 2018 最佳论文出炉】斯坦福等名校折桂，何恺明获年轻研究员奖

2017（2篇）

Densely Connec