专注人工智能，主攻CV

题目：Simple Baselines for Image Restoration单位：旷视收录：ECCV2022。

YOLO v1~v3都是由YOLO之父Joseph Redmon大神提出，YOLO v1首次将检测问题制定为回归问题，在此之前都是采用分类的方式来解决目标检测问题（例如RCNN系列），YOLO v1的最大优势就是速度快；v2在v1的基础上针对检测精度进行改进，v3结合当时一些新颖的技术对v2做了一些重要的改进，被作者谦虚地戏称为TECH REPORT。

AI抠图

语义分割是一种计算机视觉领域的图像分割技术，旨在将图像中的每个像素分配到其对应的语义类别中。与传统的图像分割技术不同，语义分割旨在对图像进行更精细的划分，以识别出图像中每个像素的语义含义。在语义分割中，每个像素被标记为属于一个预定义的语义类别，例如人、车、路、树等等。与此相比，传统的图像分割方法通常仅仅将图像分成前景和背景两个部分。语义分割可以应用于各种计算机视觉任务，如自动驾驶、目标检测、图像分析和医学图像分析等，常用的网络架构包括全卷积网络（FCN）、U-Net和SegNet等。

轻量级年龄估计模型--C3AE（旷视研究院）

一句话总结：使用改论文提出的噪声生成模型合成数据所训练出的模型，其网络去噪能力可以媲美用大量配对数据训练的模型，避免费时费力地采集大量真实配对数据。

提出了第一个不需要成对训练数据的低光增强网络，避免过拟合风险，在不同光照条件下泛化良好；设计了一种逐像素高阶曲线，通过多次反复迭代可以有效地在宽动态范围中执行亮度映射；展现了在缺少参考图像的情况下通过无参考损失函数训练图像增强网络的潜力；所提出的Zero-DCE网络可以在减小计算量的同时保持增强能力，提供了多种选择以平衡增强能力和计算开销。

目前，高动态范围成像算法面临的主要挑战是：用于合成HDR图像的多帧LDR图像之间存在物体位移，大幅度运动的对齐比较困难，从而导致合成后的HDR中存在伪影。

理解和分析Rethinking Noise Synthesis and Modeling in Raw Denoising

业内周知，基于深度学习的去噪算法在效果上已经甩传统算法几条街了，但是由于模型计算量太大和设备算力不够等因素导致落地困难。为了解决上述问题，旷视的这篇论文提出了一个轻量级的、高效的神经网络去噪模型，能够在移动设备上流畅运行，并且能够获取高质量的去噪结果。

LTMNet这篇文章借鉴了CLAHE算法，所有步骤与CLAHE一致，不同之处在于LTMNet中局部映射曲线是通过CNN预测得到，而CLAHE中是通过直方图均衡化而得。关于CLAHE，【数字图像处理】直方图均衡化这篇博客有简单介绍。传统算法与神经网络结合，神经网络拟合色调映射函数设计算法时要考虑到实际应用环境，如ISP pipline中，一个很重要的点就是算法需要具备可调性，因为用户需要针对自己的偏好以及使用环境的不同对算法的效果进行调整。

业内做AI-ISP的攻城狮们应该都会遇到这样一个问题，在适配不同sensor的过程中会积累大量具有不同Bayer模式的数据，然后在训练模型时都想用上，这时大家都会将这些异源的数据统一成相同的bayer模式，常用的操作有：① 在裁剪patch时根据目标bayer模式选择合适的起点；另外，数据增强是训练神经网络时提升性能的一种常用手段，对于RAW数据，为了避免破坏bayer模式，通常会选择在打包成4通道后再做翻转和旋转等增强。然而作者发现这样也会产生伪影，并提出了相应的解决方案。

SNA的本质是增加配对数据在场景照度上的多样性，而照度决定了传感器接收的光子数，因此SNA是一种基于光子散射噪声模型的数据增强方法。有限的数据量、复杂的噪声模型和不完善的数据质量构成了配对数据之间映射的可学习性瓶颈，限制了learning-based方法的性能。对于SNA，由于真实配对数据毕竟是有限的，不能涵盖真实应用场景中的不同照度环境，并且在数据规模不大的情况下使用数据增强一般能够稳定提升神经网络的性能，在带噪声图像和干净图像上添加相应的增量能够显著增加真实配对数据的数据量。

- 首次提出使用机器学习方法从一组包围曝光的LDR图像中重建HDR图像 - 构建了第一个适合于学习HDR重建的数据集，并详细介绍了构建方法

在曝光融合（Exposure Fusion）算法问世之前，多曝光序列合成用于显示的HDR需要两个步骤，第一步是将多张不同曝光的低动态范围图像合成为HDR（例如Debevec提出的加权融合方法），通常HDR为12bit或者16bit；第二步是通过tonemapping对高动态范围HDR进行压缩以支持低动态范围显示设备（例如Durand提出的基于双边滤波的tonemapping算法），一般会压缩至8bit。