ECCV 2020 论文大盘点-图像增强与图像恢复篇
编辑:CV君
本文盘点 ECCV 2020 中底层图像处理方向相关的论文，包含：图像增强、图像恢复、去摩尔纹、去噪和质量评价论文，总计 29 篇，去摩尔纹 2 篇，去噪 10 篇，图像增强 7 篇，图像恢复 9 篇，质量评价 1 篇。
下载包含这些论文的 ECCV 2020 所有论文：
https://mp.weixin.qq.com/s/8RPV4j7iMH6IRG8n6ZdoSg
去摩尔纹 Demoireing
去摩尔纹，图像恢复
FHDe²Net: Full High Definition Demoireing Network
作者 | Bin He, Ce Wang, Boxin Shi, Ling-Yu Duan
单位 | 北大；鹏城实验室
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123670715.pdf
备注 | ECCV 2020
提出 FHDe2Net 框架，以解决实际应用场景中高分辨率图像摩尔纹问题，并提供一个完整的高清晰度屏幕捕获的摩尔纹图像数据集，用于对该任务进行基准测试。验证得出 FHDe2Net 优于现有方法。
Wavelet-Based Dual-Branch Network for Image Demoiréing
作者 | Lin Liu, Jianzhuang Liu, Shanxin Yuan, Gregory Slabaugh, Ales Leonardis, Wengang Zhou, Qi Tian
单位 | 中国科学技术大学；华为诺亚方舟实验室；华为云
论文 | https://arxiv.org/abs/2007.07173
备注 | ECCV 2020
本文提出一种新型的基于小波的双分支网络(WDNet)来消除摩尔纹。与RGB域相比，在小波域工作可以还原更多的细节，在去除摩尔纹图案方面更有效。WDNet的密集分支和扩张分支分别负责近距离和远距离信息的获取。
WDNet 在 deraining 和 deraindrop 任务中也取得很好效果，另外还建立了一个新的城市场景数据集，其中包含了chalenging 类型 的摩尔模式，该数据集将被公开。
作者表示未来的工作包括将WDNet应用于其他视觉任务，如去噪和去马赛克。
去噪 Denoising
Unpaired Learning of Deep Image Denoising
作者 | Xiaohe Wu, Ming Liu, Yue Cao, Dongwei Ren, Wangmeng Zuo
单位 | 哈尔滨工业大学；天津大学；鹏城实验室
论文 | https://arxiv.org/abs/2008.13711
代码 | https://github.com/XHWXD/DBSN
备注 | 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
单位 | 清华大学；旷视科技
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123510001.pdf
备注 | ECCV 2020 Spotlight
Reconstructing the Noise Variance Manifold for Image Denoising
作者 | Ioannis Marras, Grigorios G. Chrysos, Ioannis Alexiou, Gregory Slabaugh, Stefanos Zafeiriou
单位 | 华为诺亚方舟实验室；帝国理工学院
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123540596.pdf
备注 | ECCV 2020
Burst Denoising via Temporally Shifted Wavelet Transforms
作者 | Xuejian Rong, Denis Demandolx, Kevin Matzen, Priyam Chatterjee, Yingli Tian
单位 | Facebook；纽约市立大学
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123580239.pdf
备注 | ECCV 2020
超分辨率+去噪
Stochastic Frequency Masking to Improve Super-Resolution and Denoising Networks
作者 | Majed El Helou, Ruofan Zhou, Sabine Süsstrunk
单位 | 洛桑联邦理工学院
论文 | https://arxiv.org/abs/2003.07119
代码 | https://github.com/majedelhelou/SFM
备注 | ECCV 2020
点云去噪
Learning Graph-Convolutional Representations for Point Cloud Denoising
作者 | Francesca Pistilli, Giulia Fracastoro, Diego Valsesia, Enrico Magli
单位 | 都灵理工大学
论文 | https://arxiv.org/abs/2007.02578
代码 | https://github.com/diegovalsesia/GPDNet
备注 | ECCV 2020
飞行识别深度图去噪
Spatial Hierarchy Aware Residual Pyramid Network for Time-of-Flight Depth Denoising
作者 | Guanting Dong, Yueyi Zhang, Zhiwei Xiong
单位 | 中国科学技术大学
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123690035.pdf
代码 | https://github.com/ashesknight/tof-mpi-remove
备注 | ECCV 2020
所提出方法在合成和现实数据集上都显著优于最先进的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
单位 | 香港理工大学；阿里达摩院；vivo
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123700154.pdf
备注 | ECCV 2020
Robust and On-the-fly Dataset Denoising for Image Classification
作者 | Jiaming Song, Lunjia Hu, Michael Auli, Yann Dauphin, Tengyu Ma
单位 | 斯坦福大学；FAIR；谷歌
论文 | https://arxiv.org/abs/2003.10647
备注 | ECCV 2020
Spatial-Adaptive Network for Single Image Denoising
作者 | Meng Chang, Qi Li, Huajun Feng, Zhihai Xu
单位 | 浙江大学
论文 | https://arxiv.org/abs/2001.10291
代码 | https://github.com/JimmyChame/SADNet
备注 | ECCV 2020
图像恢复 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
单位 | 港中文；南洋理工大学；香港大学
论文 | https://arxiv.org/abs/2003.13659
代码 | https://github.com/XingangPan/deep-generative-prior
备注 | ECCV 2020 oral
人脸图像恢复
Blind Face Restoration via Deep Multi-scale Component Dictionaries
作者 | Xiaoming Li, Chaofeng Chen, Shangchen Zhou, Xianhui Lin, Wangmeng Zuo, Lei Zhang
单位 | 哈尔滨工业大学；香港大学；南洋理工大学；阿里达摩院；鹏城实验室；香港理工大学
论文 | https://arxiv.org/abs/2008.00418
代码 | https://github.com/csxmli2016/DFDNet
备注 | ECCV 2020
图像恢复，图像质量评估
PIPAL: a Large-Scale Image Quality Assessment Dataset for Perceptual Image Restoration
PIPAL：一个用于感知图像恢复的大规模图像质量评估数据集
作者 | Jinjin Gu, Haoming Cai, Haoyu Chen, Xiaoxing Ye, Jimmy Ren, Chao Dong
单位 | 港中文；中科院；商汤等
论文 | https://arxiv.org/abs/2007.12142
备注 | ECCV 2020
构建了一个新型的IQA数据集：PIPAL，建立了IQA方法和IR算法的基准。验证表明现有的IQA方法在评估感知红外算法，特别是基于GAN的算法时面临挑战，通过引入 Anti－aliasing Pooling layers（抗锯齿池化层）改进IQA网络，并证明其有效性。
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
单位 | 北大；北京科技大学
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123580443.pdf
备注 | ECCV 2020
LIRA: Lifelong Image Restoration from Unknown Blended Distortions
作者 | Jianzhao Liu, Jianxin Lin, Xin Li, Wei Zhou, Sen Liu, Zhibo Chen
单位 | 中国科学技术大学
论文 | https://arxiv.org/abs/2008.08242
备注 | ECCV 2020
动态可控的残差学习用于图像恢复
Interactive Multi-Dimension Modulation with Dynamic Controllable Residual Learning for Image Restoration
作者 | Jingwen He, Chao Dong, Yu Qiao
单位 | 中科院等
论文 | https://arxiv.org/abs/1912.05293
代码 | https://github.com/hejingwenhejingwen/CResMD
备注 | ECCV 2020
Microscopy Image Restoration with Deep Wiener-Kolmogorov Filters
作者 | Valeriya Pronina, Filippos Kokkinos, Dmitry V. Dylov, Stamatios Lefkimmiatis
单位 | Skolkovo科学技术研究所；伦敦大学学院；Q.bio Inc
论文 | https://arxiv.org/abs/1911.1098
备注 | ECCV 2020
研究人员将深度学习应用于图像修复算法的优化，在Wiener滤波器中集成了可学习的正则器。
完全可训练、可解释的非局部稀疏模型，用于图像恢复
Fully Trainable and Interpretable Non-Local Sparse Models for Image Restoration
作者 | Bruno Lecouat, Jean Ponce, Julien Mairal
单位 | 巴黎文理研究大学；
论文 | https://arxiv.org/abs/1912.02456
代码 | https://github.com/bruno-31/groupsc
备注 | ECCV 2020
Non-local self-similarity（非局部自相似性）和 sparsity（稀疏性）原则已被证明是自然图像建模的强大先决条件。
作者提出一个新型可微的联合稀疏模型，利用以上两个原则，得到一个通用的图像恢复框架，并具有以下特点：
1、trainable end to end
2、fully interpretable
3、much more compact than competing deep learning architectures
应用于去噪、jpeg解压和去马赛克，并表明，在参数只有100K的情况下，在几个标准基准上的性能与最先进的方法相当或更好，而最先进的方法可能有一个数量级或更多的参数。
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
单位 | 中国科学技术大学
论文 | https://arxiv.org/abs/2007.11430
备注 | ECCV 2020
作者通过 FDM实现 channel-wise 特征解耦，减少了 hybrid-distorted（混合降质）之间的干扰，达到了hybrid-distorted（混合降质）图像修复的最佳性能。
图像与视频增强
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
单位 | IIAI；穆罕默德·本·扎耶德人工智能大学；加州大学默塞德分校；谷歌
论文 | https://arxiv.org/abs/2003.06792
代码 | https://github.com/swz30/MIRNet
备注 | ECCV 2020
所提出方法的核心是一个多尺度残差块，包含几个关键要素：
(a) 用于提取多尺度特征的并行多分辨率卷积流，
(b) 多分辨率流之间的信息交换，
(c) 用于捕捉上下文信息的空间和通道注意力机制，
(d) 基于注意力的多尺度特征聚合。
一种针对视觉识别（分类、分割、识别）任务的底层图像增强方案
URIE: Universal Image Enhancement for Visual Recognition in the Wild
作者 | Taeyoung Son, Juwon Kang, Namyup Kim, Sunghyun Cho, Suha Kwak
单位 | POSTECH；GSAI
论文 | https://arxiv.org/abs/2007.08979
代码 | https://github.com/taeyoungson/urie
备注 | ECCV 2020
URIE图像增强可作为视觉识别的前置任务，改进识别精度。
低照度图像增强
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
单位 | 华为诺亚方舟实验室
论文 | https://arxiv.org/abs/2007.09187
代码 | https://github.com/sjmoran/SIDGAN
备注 | ECCV 2020
介绍了Seeing In the Dark GAN（SIDGAN），一种数据合成方法，解决了RAW-to-RGB学习模型时遇到的训练数据瓶颈问题。
视频感知质量增强
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
单位 | 北航；牛津大学
论文 | https://arxiv.org/abs/2008.00499
代码 | https://github.com/IceClear/MW-GAN
备注 | 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
单位 | 北航
论文 | https://arxiv.org/abs/2006.16581
代码 | https://github.com/RyanXingQL/RBQE
备注 | ECCV 2020
证明 easy/hard 样本在质量增强中存在，并作为所提出方法的理论基础，提出 RBQE 方法，采用简而有效的动态 DNN 架构，处理 'easy to hard '的范式进行盲图像质量增强。开发一个 Tchebichef moments-based IQAM，用于动态DNN结构中的 early-exit。
Global and Local Enhancement Networks for Paired and Unpaired Image Enhancement
作者 | Han-Ul Kim, Young Jun Koh, Chang-Su Kim
单位 | 韩国高丽大学；韩国忠南大学
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123700341.pdf
备注 | ECCV 2020
提出用于 paired 和 unpaired 图像增强的GEN和LEN。提出针对 unpaired 图像增强的两阶段训练方案。所提出的方法在MIT-Adobe 5K数据集上表现出优异的性能。
PieNet: Personalized Image Enhancement Network
作者 | Han-Ul Kim, Young Jun Koh, Chang-Su Kim
单位 | 韩国高丽大学；韩国忠南大学
论文 | https://www.ecva.net/papers/eccv_2020/
papers_ECCV/papers/123750375.pdf
代码 | https://github.com/hukim1124/PieNet
备注 | ECCV 2020
开发PieNet来解决图像增强中的 personalization 问题，在MIT-Adobe 5K上具有显著的通用图像增强性能，PieNet卓越的泛化性，只需选择10～20张喜欢的图片，就能实现新用户的个性化。
图像质量评价
GIQA: Generated Image Quality Assessment
作者 | Shuyang Gu, Jianmin Bao, Dong Chen, Fang Wen
单位 | 中国科学技术大学；微软
论文 | https://arxiv.org/abs/2003.08932
代码 | https://github.com/cientgu/GIQA
作者称是第一个提出生成图像质量评估（GIQA）的课题，从两个角度提出了三种新颖的方法。所提出方法具有通用性，可用于很多应用，如分别评估生成模型的质量和多样性，通过OHEM改进生成模型的结果。发布了LGIQA数据集，用于评价不同的GIQA方法。
本文为我爱计算机视觉公众号整理，转载请注明出处。