CVPROct, 2017

UG^2：一个视频基准用于评估图像修复和增强对自动视觉识别的影响

PDF
TL;DR论文介绍如何利用图像处理技术作为预处理步骤提高自动视觉识别的性能，并提出一种名为 UG^2 的新基准数据集，其中包含三个困难的实景场景，用于评估图像恢复和增强技术对深度学习目标分类的影响。实验结果表明，该数据集是未来算法创新的有用工具。
发现论文，激发创造
  • 计算摄影与视觉识别之间的桥梁

    本文介绍了 UG^2 数据集作为用于测量算法对视频图像质量和目标识别的影响的大型基准测试，以及六种新的图像恢复或增强算法，旨在通过改善图像外观和识别相结合的问题来促进视觉识别应用于许多现实场景。

    Jan, 2019

  • UG$^{2+}$ Track 2：在恶劣环境下评估和推进图像理解的集体基准努力

    UG2 + 挑战赛 2019 年 IEEE CVPR 旨在讨论和探索低级别视觉技术如何在各种场景中有助于高级别自动视觉识别。其第二个跟踪，我们专注于在恶劣天气（雾，雨）和低光条件下导致的目标或人脸检测的可见度增强。为了提供更彻底的检查和公平比较，我们在真实的雾，雨和低光条件下引入了三个基准集合，分别注释了对象 / 人脸。通过级联现有增强和检测模型报告基线结果，表明我们的新数据具有极大的挑战性以及进一步技术创新的巨大空间。

    Apr, 2019

  • UGPNet：通用图像修复生成先验

    本文提出了 UGPNet，这是一个通用图像修复框架，通过采用现有的回归模型和生成模型的组合，有效地实现了回归和生成方法的优点，能够成功地实现高保真图像修复。

    Dec, 2023

  • 用于视频压缩研究的 YouTube UGC 数据集

    该论文介绍了一个大规模的 UGC 数据集，讨论了在此场景下的压缩和质量评估的挑战并针对 UGC 的缺陷提出了无参考客观质量指标来评估 UGC 质量，通过三种这样的指标 (噪音、细节和颜色斑点，以及感知失真预估) 评估了所提供的 UGC 数据集。

    Apr, 2019

  • 用于屏下相机的深度视频修复

    基于 GAN 的生成流程模拟了 UDC 的退化过程，创建了名为 PexelsUDC 的大规模数据集，通过该数据集对现有的视频修复方法进行了广泛的基准研究，并提出了一种基于 transformer 的基线方法，该方法在 PexelsUDC 上取得了最先进的性能。

    Sep, 2023

  • 帮助视障人士拍摄更高质量的照片

    该研究利用认知图像分析技术开发了自动化工具，旨在改善视力受损用户拍摄照片的技术质量问题，建立了一个大型的歪曲视力受损用户生成内容（VI-UGC）图像数据库，利用人类感知质量判断和失真标签进行预测模型的训练及其反馈系统的原型设计，为视力受损用户提供拍摄更高质量照片的机会。

    May, 2023

  • UVEB：面向实际水下视频增强的大规模基准和基线

    通过构建第一个大规模高分辨率的水下视频增强基准 (UVEB)，我们能够更有效地促进水下视觉的发展，并且我们提出的第一个有监督的水下视频增强方法 UVE-Net 通过充分利用水下视频的降质信息，实现了更好的视频增强效果。

    Apr, 2024

  • 超高清恢复：新基准与基于双重交互先验的解决方案

    本文构建了 UHD-Snow 和 UHD-Rain 两个基准数据集，模拟了雨雪的物理过程，研究提出了一种考虑梯度和法线先验的 UHD 图像恢复解决方案，包括高分辨率空间的特征融合与重构分支以及低分辨率空间的先验特征交互分支。实验证明了该方法在 UHD 图像低光增强、去噪和除雨方面具有领先的性能。

    Jun, 2024

  • 利用预先存在的失真预测压缩视频的质量

    本研究旨在通过开发一种新的视频质量评估框架 1stepVQA，通过利用自然视频和混合失真视频的统计规律，更准确地预测压缩后视频的质量，并采用一种新的视频数据库，其中包括 (通常是失真的) UGC 视频参考和大量压缩版本的视频。

    Apr, 2020

  • CVPR 2023 UG$^2$+ Challenge Track 2.2：大气湍流下编码目标恢复的第一种解决方案

    本文介绍了 VIELab-HUST 团队在 CVPR 2023 UG2+ Track 2.2 中，对经过大气湍流干扰后的编码目标进行图像恢复的高效多阶段框架，并在最终排行榜上获得第一名。

    Jun, 2023