一文解析计算影像学

这里我们接着来看看这次siggraph里面其它几篇关于计算影像学的文章。

5.Searching for Fast Demosaicking Algorithms

我们结合使用学习和程序搜索来自动合成高效、高质量的去马赛克算法。与之前最先进的方法相比，它们显着提高了成本与质量的帕累托前沿，从每像素 10 秒到 1000 秒的操作。

与之前发布的算法相比，它们在相同成本下的质量至少高出 1dB，或者在相同质量下快 5-10 倍。具有挑战性的图像内容的视觉质量显着提高。

唯一提供比我们更高质量的先前方法是大型卷积模型，计算成本高出 2-3 个数量级。除了此处显示的传统拜耳去马赛克之外，我们还展示了用于从 X-Trans 传感器去马赛克以及仅用于联合去马赛克超分辨率和超分辨率的帕累托主导算法。

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

用于评估单图像 HDR 重建方法的现有协议直接将重建的 HDR 图像与参考进行比较，如蓝色阴影矩形所示。这是不可靠的，因为参考和重建的 HDR 图像之间的色调和颜色差异很大。

我们证明，如果我们在使用现有的完整参考指标计算图像质量之前纠正相机响应曲线反转误差，则指标的准确性可以大大提高，如绿色阴影矩形所示。

尽管如此，指标只能检测到此任务中非常大的图像差异，因此建议进行受控实验。

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

智能手机和中档相机拍摄的照片空间分辨率和动态范围有限，在曝光不足的区域会出现噪声响应，在饱和区域会出现色彩伪影。本文介绍了第一种方法（据我们所知），从具有包围曝光的手持相机捕获的原始照片突发中重建高分辨率、高动态范围的彩色图像。该方法使用物理上精确的图像形成模型，将用于解决相应逆问题的迭代优化算法与用于鲁棒对齐的学习图像表示和学习的自然图像先验相结合。

与最先进的基于学习的图像恢复方法相比，所提出的算法速度快，内存需求低，并且从合成但真实的数据中端到端学习的特征。广泛的实验证明了它的卓越性能，在使用手持相机在野外拍摄的真实照片上具有高达×4的超分辨率因子，并且对低光条件、噪声、相机抖动和适度的物体运动具有很高的鲁棒性。

审核编辑：刘清