這里我們接著來看看這次siggraph里面其它幾篇關(guān)于計(jì)算影像學(xué)的文章。

5.Searching for Fast Demosaicking Algorithms

我們結(jié)合使用學(xué)習(xí)和程序搜索來自動(dòng)合成高效、高質(zhì)量的去馬賽克算法。與之前最先進(jìn)的方法相比，它們顯著提高了成本與質(zhì)量的帕累托前沿，從每像素 10 秒到 1000 秒的操作。

與之前發(fā)布的算法相比，它們?cè)谙嗤杀鞠碌馁|(zhì)量至少高出 1dB，或者在相同質(zhì)量下快 5-10 倍。具有挑戰(zhàn)性的圖像內(nèi)容的視覺質(zhì)量顯著提高。

唯一提供比我們更高質(zhì)量的先前方法是大型卷積模型，計(jì)算成本高出 2-3 個(gè)數(shù)量級(jí)。除了此處顯示的傳統(tǒng)拜耳去馬賽克之外，我們還展示了用于從 X-Trans 傳感器去馬賽克以及僅用于聯(lián)合去馬賽克超分辨率和超分辨率的帕累托主導(dǎo)算法。

6.Comparison of single image HDR reconstruction methods— the caveats of quality assessment

用于評(píng)估單圖像 HDR 重建方法的現(xiàn)有協(xié)議直接將重建的 HDR 圖像與參考進(jìn)行比較，如藍(lán)色陰影矩形所示。這是不可靠的，因?yàn)閰⒖己椭亟ǖ?HDR 圖像之間的色調(diào)和顏色差異很大。

我們證明，如果我們?cè)谑褂矛F(xiàn)有的完整參考指標(biāo)計(jì)算圖像質(zhì)量之前糾正相機(jī)響應(yīng)曲線反轉(zhuǎn)誤差，則指標(biāo)的準(zhǔn)確性可以大大提高，如綠色陰影矩形所示。

盡管如此，指標(biāo)只能檢測(cè)到此任務(wù)中非常大的圖像差異，因此建議進(jìn)行受控實(shí)驗(yàn)。

7.High Dynamic Range and Super-Resolution from Raw Image Bursts

智能手機(jī)和中檔相機(jī)拍攝的照片空間分辨率和動(dòng)態(tài)范圍有限，在曝光不足的區(qū)域會(huì)出現(xiàn)噪聲響應(yīng)，在飽和區(qū)域會(huì)出現(xiàn)色彩偽影。本文介紹了第一種方法（據(jù)我們所知），從具有包圍曝光的手持相機(jī)捕獲的原始照片突發(fā)中重建高分辨率、高動(dòng)態(tài)范圍的彩色圖像。該方法使用物理上精確的圖像形成模型，將用于解決相應(yīng)逆問題的迭代優(yōu)化算法與用于魯棒對(duì)齊的學(xué)習(xí)圖像表示和學(xué)習(xí)的自然圖像先驗(yàn)相結(jié)合。

與最先進(jìn)的基于學(xué)習(xí)的圖像恢復(fù)方法相比，所提出的算法速度快，內(nèi)存需求低，并且從合成但真實(shí)的數(shù)據(jù)中端到端學(xué)習(xí)的特征。廣泛的實(shí)驗(yàn)證明了它的卓越性能，在使用手持相機(jī)在野外拍攝的真實(shí)照片上具有高達(dá)×4的超分辨率因子，并且對(duì)低光條件、噪聲、相機(jī)抖動(dòng)和適度的物體運(yùn)動(dòng)具有很高的魯棒性。

審核編輯：劉清