如何评价CVPR 2022的best paper？

链接：https://www.zhihu.com/question/538874119/answer/2541126096

编辑：深度学习与计算机视觉

声明：仅做学术分享，侵删

作者：匿名用户
https://www.zhihu.com/question/538874119/answer/2540738329

配不配best paper这点不是在下这种匿名菜鸡能评价的，只是说一点在下知道的。

仅从cv的角度来看，这类组合优化背景的geometric fitting的问题还是挺有应用背景的（以在下粗鄙的理解就是给一个目标的参数方程形式，但有多少个目标咱不知道，这类问题在cv里除了论文里面的ransac，还有一大类就是类别数目未定的图像分割，很多欧洲老哥把这类问题叫stochastic geometry models，九十年代就有书在说这东西）。

在深度学习之前，cv里搞这块的挺多的，就在下仰慕的华人大佬list里面，和这块有关的比如华人大佬马毅老师07 pami的那篇分割的paper（拿coding length来度量搜索过程），还有就是mm lab大佬lin dahua老师在mit读博的john fisher那个实验室（拿nonparametric bayesian演化搜索过程的），硬扯关系的话还能扯到朱松纯老师老师那个02年的pami（只不过其中用的reversible mcmc和当时同时代的dirichlet process相比操作起来过于tricky），还有很多人直接拿一些几何和拓扑的性质来约束演化或者建模成multi-cut问题的（这些文章一般cv的期刊上现在还会隔三差五出现，pami，ijcv和siims，还有包括被知乎大神黑哭的tip）有些还是用很古老的方法在做一点改进的（顺便贴一个前两年pami上看见的 extracting geometric structures in images with delaunay point process（顺便吐槽这文章是真的a+b））。

毕竟是一般的组合优化问题，只要有了新工具，都可以往上试试看能不能让解在一定条件下更快更好（可能有人说有了隔壁智能优化算法内味了），并且看一下是不是对自己的cv项目有好处，大佬可能还看看能不能一鸡多吃，有一些理论+有一些应用。如果说之前的同类文章是把当时新发展的 optimization \ bayesian statistics \ computational physics这些偏应用计算的数学拿过来搞搞，如果之前的那些文章是有价值的，那这篇把learning用进来搞搞的也有价值。至于够不够best paper，我们也必要和饭圈一样互撕，就像2019年那篇费马路径的best paper，请问大家还有多少关注吗。可能对于咱们一般的科研民工，能让自己研究收益最多的paper才是best paper

作者：匿名用户
https://www.zhihu.com/question/538874119/answer/2540899777

虽然不是很懂这篇论文，但想聊聊顶会best paper挑选的准则。

1.所有子领域，无论火热与否，都应平等对待。科研不是选秀，领域影响力和当前的实用性不能作为评判因素，不能因为现在DL火就只盯着DL的论文选best paper，任何领域在将来都有潜力发光发热，遥想当初，神经网络冷宫也坐了好几十年。若整个CV只允许出现一种声音，那这个领域迟早会死去；鼓励优秀扎实的非主流研究，才能让未来充满无限可能，等待科学研究的下一个爆点。

2. best paper应该肉眼可见地推进了所属子领域的发展，有难以替代的工作量或洞见，解决了某个难啃的骨头。当年的resnet就是一个典型，极其漂亮地解决了深度神经网络训练的问题；再比如19年NIPS的best paper，解决了理论机器学习的一个长期重要难题。今年的MAE，和MoCo一样，是个好工作，但在推进领域发展上，可能评best paper还不太够。

作者：OpenDIC
https://www.zhihu.com/question/538874119/answer/2540585000

大概看了下最佳论文荣誉提名的《Dual-Shutter Optical Vibration Sensing》，原理类似实验力学领域中光测力学的数字图像相关法(Digital image correlation，DIC)，感兴趣的朋友可以看看我主页发表的几篇关于DIC原理介绍的文章。该非接触式测量变形的方法已有四十年历史，目前已经有很成熟的商业软件，其算法核心与视觉领域的光流估计、模板匹配以及图像配准都有相通之处。

传统基于DIC测量物体的高速振动需要高速相机采集物体表面的散斑图像，然后计算跟踪同名点的位移，进而可以计算应变等力学性能。

该文章仅依赖全局相机和卷帘相机就可以实现高速振动测量，好像是以全局相机采集的散斑图像作为参考图像，卷帘相机采集的散斑图像作为振动变形图像，然后计算位移，实现振动的测量，对于高速振动测量领域有一定的启发，毕竟高速相机动辄几十万，确实太贵了。

一点不太成熟的小疑惑，这个文章发表在振动测量的顶刊是不是会更合适？

☆ END ☆

如果看到这里，说明你喜欢这篇文章，请转发、点赞。微信搜索「uncle_pn」，欢迎添加小编微信「 woshicver」，每日朋友圈更新一篇高质量博文。

↓扫描二维码添加小编↓