Edvard的专栏

识别一切，强大的图像标记模型

图像恢复，效果 SOTA 且计算量对比 Real-ESRGan 低很多

CVPR 2020 年论文，来自 GoPro视频降噪和图片降噪区别在于视频降噪后输出的结果，观感上能否保持连贯和平滑，而为了达到这个目的，算法在对视频其中一帧进行降噪时，需要参考那一帧相邻帧的信息。创新点不需要光流或运动估计，降低了计算量，也避免了引入光流带来的伪影关于创新点一，文章是用时序和多尺度的级联 U-Net 来在网络架构内部代替光流来进行块对齐的网络架构网络由 4 个 block 组成，每一个 block 设计上有以下几个考虑的点1、在上采样这里，采用了 PixelShuffl

经典 Non-local Means Denoising(NLM) 图像降噪算法和 Python 实现

图像降噪 - Block Matching and 3D Filtering (BM3D) 算法与 Python 实现

是否可以设计了一个神经网络，他预测三个不同的颜色空间（HSV, CIELab, RGB）的映射曲线来对图像进行增强。

发表于 2020 TPAMI，是关于图像色彩增强的，是一篇很屌的文章。目前广泛使用的图像色彩调整都是基于 LUT 来做的，而 LUT 图是由人工设计的，这篇文章结合了 CNN 和 LUT，能够根据图片内容自动生产适合该图的 LUT 图，且速度还贼快不熟悉 LUT 的可以戳这里看看https://www.zhangxinxu.com/wordpress/2020/02/3d-lut-principle/创新点模型架构论文里有一大块很复杂的推导公式，其实就是三线性插值的计算和求导方式，在源码中这一块

深度导向滤波器这是一篇传统方法和深度学习方法结合的算法，他在引导滤波器（关于这块可查阅我之前的文章）上融入了可学习的参数，从而赋予了更强大的拟合能力，从而可以应用在多个图像处理任务上关于 Deep Guide Filter （后文简称 DFG）其实有很多博客文章都有，我阅读论文和相关博文后做了整合并加上了自己的思考和理解。首先我们来看看 DFG 能应用到什么场景上去，文中给出了例子，从左到右分别是图像修复和增强，超分辨率，图像去雾，图像显著区域检测，深度估计文邹邹一点的说法是，DFG 可以解决

保边滤波是对图像操作后，不会抹掉边缘的部分（如下图所示），属于非线性的滤波方法，常见的保边滤波有双边滤波和引导滤波，应用场景是去噪和磨皮本文介绍两种保边滤波器，分别是双边滤波器和导向滤波器。并且提供对应的 python 实现源码。关于公式推导，尾部有参考链接，这里只会给出结论和大致原理。双边滤波先来看看双边滤波器的计算公式BilateralFilter(i,j)=∑k,lf(k,l)∗w(i,j,k,l)∑k,lw(i,j,k,l)BilateralFilter(i,j)=\frac{\sum_