Kaiming He的暗通道去霧算法及CVPR, ICCV, 及ECCV三大會的最高引用論文

Topic: Single Image Haze Removal Using Dark Channel Prior

Editor:  George Wu

Resources:  Paper    Website    Slide    Video  

Label: Kaiming He, Haze removal, CVPR, ICCV, ECCV

大意

日前有網友整理了三大computer vision大會CVPR, ICCV, 及ECCV過去五年引用量最高的10篇論文, 其中包含了ResNet(CVPR2016), Fast-RCNN(ICCV2015), ReLU(ICCV2015), Mask-RCNN(ICCV2017), RetinaNet(ICCV2017), ResNets(ECCV2016)等目前幾乎是深度學習的標準配備技術, 而這些都出於Kaiming He之手, 無愧是當今深度學習計算機視覺領域最重要的推動者之一. 他目前任職於Facebook AI研究院也一直在深度學習CV領域有很好的研究成果, 如PointRend, Relational Graph, Momentum Contrast for Unsupervised等. 在這裡要回顧並致敬的是Kaiming He的第一篇CVPR best paper – 基於單張圖像的暗通道去霧算法 Single Image Haze Removal Using Dark Channel Prior(CVPR2009).

基於單張圖像的暗通道去霧算法

圖像去霧算法(Haze removal)一直是computer vision領域裡頗具挑戰型的難題. 通常圖像中的霧或煙會被視為因懸浮顆粒所導致的大氣吸收和散射所造成的光幅照度衰減, 且也伴隨著圖像的銳利度及對比度也跟著下降. 在這裡我們簡化問題用霧生成模型haze formation image: I(x) = J(x)t(x) + A(1-t(x)) 來描述包含霧的原始圖像. I(x)是原始圖像, J(x)就是去除霧的圖像, t(x)為透射率, A是全球大氣光幅照. 雖然我們的目的就是從I(x)回復成J(x), 但A跟t(x)都還是未知. 所以我們需要霧天退化模型並考量衰減模型及環境光幅照部分, 也需要一定的先驗(prior)資料幫助估計參數. 而且用來做prior的每張圖的輻射度都可能不一樣所以需要做到單張Single image Haze removal. 在這裡作者提出了基於暗通道先驗(dark channel prior)的新方法. 暗通道或是暗像素dark pixels是指在大部分圖像不包括天空的局部區域, 通常都會有RGB channels裡很低的像素值, 而這些dark pixels主要就是來自光幅照, 所以可以拿來做對透射度的準確估算, 利用暗通道先驗結合霧天退化模型就能恢復高質量的除霧圖像. Kaiming He也因此在2009年拿到第一篇CVPR best paper.

CVPR, ICCV, 及ECCV三大會的最高引用論文

最後整理了開頭提到了CV三大會引用量最高論文:

CVPR:

1. ResNet
2. Inception(GoogleNet)
3. FCN
4. YOLO
5. DenseNet
6. Inception v3
7. pix2pix
8. FaceNet
9. YOLO v2
10. LRCNs

ICCV:

1. Fast R-CNN
2. ReLU
3. Mask R-CNN
4. CycleGAN
5. RetinaNet
6. C3D
7. Learning Deconvolution Network for Semantic Segmentation
8. Deep Learning Face Attributes in the Wild
9. Grad-CAM
10. CRF-RNN

ECCV:

1. SSD
2. Identity Mappings in Deep Residual Networks
3. Perceptual Losses for Real-Time Style Transfer and Super-Resolution
4. XNOR-Net
5. Stacked Hourglass Networks
6. DeepLabv3+
7. Center Loss
8. TSN
9. SiamFC
10. Colorful Image Colorization

Advertisement