MePro团队三篇论文被CVPR 2021接收

BJTU MePro

论文题目：Towards Fast and Accurate Real-World Depth Super-Resolution: Benchmark Dataset and Baseline

论文作者： Lingzhi He, Hongguang Zhu, Feng Li, Huihui Bai, RunminCong, Chunjie Zhang, Chunyu Lin, Meiqin Liu, Yao Zhao

论文简介：目前业界广泛使用的深度传感器获得的深度图往往分辨率较低，难以应用于各种计算机视觉任务。因此，将深度图从低分辨率超分到高分辨率是一项实用且有价值的任务。然而，由于缺乏真实配对的低分辨率和高分辨率的深度图数据集，大多数现有的深度图超分辨率算法都使用下采样的方式来获得配对的训练样本。为此，我们首先构建了一个名为“RGB-D-D”的大规模数据集，该数据集可以极大地促进深度图超分辨率和其他更多与深度图相关的计算机视觉任务的研究。提出的数据集中的“D-D”表示从手机和Lucid Helios深度采样设备获取的低分辨率和高分辨率深度图数据对，内容上包含了从室内场景到具有挑战性的室外场景。此外,我们提出了一个采用高频分量自适应分解的颜色图引导的快速深度图超分辨率算法。在我们提出的数据集和其他现有公共数据集上的广泛实验证明了我们算法的有效性和高效性。此外，对于真实获得的低分辨率深度图，我们的算法可以生成更准确、边界更清晰的高分辨率深度图，并在一定程度上可以纠正深度值误差。

论文题目：Double Low-rank Representation with Projection Distance Penalty for Clustering

论文作者：Zhiqiang Fu, Yao Zhao, Dongxia Chang, Xingxing Zhang, Yiming Wang

论文简介：2011年林宙辰等人第一次提出了低秩表示模型，在随后的几年中该模型成为了机器学习的研究热点。低秩表示模型可以很好的获得数据间的全局结构而忽略数据的局部几何特征，针对这一问题，使用欧式距离对表示矩阵进行加权是目前常用的办法。但是原始空间中的欧氏距离往往容易受到噪声的干扰，本论文提出了一种基于投影距离的低秩表示模型，对原数据进行特征变换并且使用变换后的投影特征距离作为惩罚项，进一步保留变换空间中的局部结构。此外，约束表示矩阵包含k个连通分量（数据集中含有k个类），从而无监督地指导投影矩阵的学习。该模型有很强的鲁棒性，可以在人工、真实以及含噪声的数据集上达到很好的效果。

论文题目：Progressively Complementary Network for Fisheye Image Rectification Using Appearance Flow

论文作者： Shangrong Yang, Chunyu Lin, Kang Liao, Chunjie Zhang, Yao Zhao

论文简介：鱼眼图像通常需要畸变校正。基于生成的方法由于其无标签特性而成为一种主流解决方案，但是它通过简单的跳跃连接和负担过重的解码器将导致模糊和不完全校正。首先，跳跃连接会直接传递图像特征，这可能会引入畸变并导致校正不完全。其次，在同时重建图像的内容和结构的过程中，解码器负担过重会导致性能的降低。为了解决这两个问题，本文着重介绍了畸变校正网络的可解释性校正机制，并提出了一种特征级校正方案。我们在跳跃连接中嵌入了一个校正层，并利用不同层中的外观流来对图像特征进行预校正。因此，解码器可以容易地利用剩余的无失真信息来重建合理的结果。此外，我们提出了一个并行的互补结构。通过把内容重建和结构校正的过程分离开来，有效地减少了解码器的负担。在不同数据集上的主观和客观实验结果证明了我们方法的优越性。

本期编辑：何凌志、符志强、杨尚蓉

长按下图并点击“识别图中二维码”

即可关注北京交通大学 MePro 公众号

继续滑动看下一个