本文提出了一种新颖的设计，使用人类视觉系统 (HVS) 响应来分解与图像锐度水平密切相关的有意义的特征，旨在解决现有无参考图片清晰度评估技术的高计算成本和缺乏可扩展性的问题，并在数字病理学领域创建了名为 'FocusPath' 的基准数据库，最终提出了一种称为 'HVS-MaxPol' 的创新 NR-ISA 度量，其速度、准确性和可扩展性均表现最佳。

Aug, 2018

本文提出了一种名为 HST 的半监督视频对象分割框架，使用 Swin Transformer 和 Video Swin Transformer 提取图像和视频特征，并使用内存读取操作产生层次特征以精确重构对象蒙版，该框架在处理复杂场景下具有有效性和鲁棒性，尤其是 HST-B 在多个流行基准测试中优于现有技术。

Jul, 2023

本文介绍了一种新的深度学习方法，利用基于完整的变分贝叶斯学习方法来处理高光谱图像重建中硬件失调的问题，通过感知无序网络（GST）来处理不同硬件情况下的信号不确定性和现实硬件的靶掩模分解。实验证明此方法表现比其他方法更好。

Dec, 2021

本论文开发了一个自动和可扩展的管道来收集高质量的视频脸部数据集（VFHQ），并证明基于 VFHQ 训练的视频面部超分辨率（VFSR）模型可以产生比基于 VoxCeleb1 训练的模型更锐利的边缘和更细的纹理，同时时序信息在消除视频一致性问题以及进一步提高视觉性能方面也起着关键作用。

May, 2022

通过自监督对比微调方法，将有标记的标准动态范围（SDR）视频的质量感知特征转移到无标记高动态范围（HDR）视频领域，从而实现对 HDR 视频的精确质量评估，并取得了最先进的性能。

Nov, 2023

该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法，使用向量全变差作为正则化项，通过 Split Augmented Lagrangian Shrinkage Algorithm（SALSA）算法实现优化，取得了优于现有算法的效果。

Nov, 2014

本文提出了一种无参考视频质量模型和算法，它可以为广泛采用的 HDR 视频网络提供更好的视频质量评估，在 HDR 和 SDR 内容中均表现出优异的性能。

Apr, 2023

本文提出了一种基于空间和时间摘要的方法来从长视频中检测高光部分。通过从无限视角中选择宜人的普通视野 (NFOV) 段落并将其在时间上进行总结，选择子镜头的子集来形成简明的和信息丰富的高光。研究人员提出了一种名为组合视图分数 (CVS) 模型的新型深度排名模型，该模型为每个视频段的组合生成一个球面分数图，并在推理时通过滑动窗口内核确定哪个视图适用于高光。通过在 Pano2Vid 基准数据集和从 YouTube 和 Vimeo 收集的我们新收集的 360 度视频亮点数据集上评估所提出的框架，我们进行了实验。通过使用定量总结度量和通过 Amazon Mechanical Turk 的用户研究进行评估，我们证明了我们的方法优于几种现有的高光检测方法。同时，我们还展示了我们的模型在推理速度上比 AutoCam (360 视频摘要的第一个算法之一) 快 16 倍。

Jan, 2018

本文提出了一种名为 Video Mask Transfiner (VMT) 的方法，该方法可以利用高效的视频转换器结构来提取细粒度的高分辨率特征，并运用局部和实例级线索来优化视频中每个轨迹的稀疏易出错的时空区域。文中还介绍了一个自动注释细化方法，并通过 HQ-YTVIS 数据集对本文提出的方法进行了实验验证。实验结果表明，该方法可以有效地分割复杂和动态的物体，捕捉精细的细节。

Jul, 2022

我们提出了一种名为 VST++ 的有效且强大的模型，以更低的计算成本实现了比现有方法更好的性能，同时突出了其潜力。

Oct, 2023