参考文章速览

超分

CVPR 2021 论文大盘点-超分辨率篇超分辨率汇总，都在这啦~https://mp.weixin.qq.com/s/pH9aYOi3q4y1rHu3j-oZ2A

移动端超分的磁悬浮，推理仅需10ms！港理工&达摩院开源超轻量超分网络ECBlow-level的领域特征与结构重参数的结合：用于端侧设备的超轻量超分网络。https://mp.weixin.qq.com/s/wsA8XP4ej9lbFVRPB7E7CA

ICCV2021 RealVSR: ​业界首个移动端真实场景视频超分数据集。 附：深度思考https://mp.weixin.qq.com/s/MZog78n3xICA48942ZLDgg

刷新视频超分新记录28.41dB！同时利用过去和未来隐状态的全局视频超分方案OVSR本文创造性的提出了同时利用过去和未来隐状态的全局视频超分方案OVSR。受益于OVSR的全局信息特性，所提方法在几个公开数据集上取得了超越以往模型的性能，刷新了Vid4、UDM100的指标，达到了前所未有的28.41dB的性能。https://mp.weixin.qq.com/s/zNV8OTXz038q0WE3V6KHcA

大幅降低计算&性能有提升，华为诺亚从频率角度出发提出频率感知动态超分网络FADN本文从图像的不同频率成分复原难度、所需计算量等角度出发，提出了一种动态调节不同频率特征计算分支的模块并由此引出了本文所提方案FADN。所提方法可以大幅降低模型性能，且保持超分性能不变，甚至有些微提升。https://mp.weixin.qq.com/s/ijM4PU2tvlyx8CWoGzaXNg

让Dropout在图像超分领域重焕光彩！https://mp.weixin.qq.com/s/C_CCzy80rlmj0DrbXlm8sg
一层卷积能做啥？BOE告诉你：一层卷积可以做超分！https://mp.weixin.qq.com/s/InlZTh_zLFrO58xG8rNR6w

 ECCV 2022 | 图像恢复的简单基线近年来，基于深度学习的图像降噪/去模糊的算法，在图像恢复领域取得了显著的进展。但与此同时，这些方法的系统复杂https://mp.weixin.qq.com/s/iiNx2ftMcj6uh6HFLeuGaw通过Patch-Base来优化"视频超分辨"中的时间冗余现有的VSR算法都没有讨论来自静止目标和背景的时间冗余的影响。时间冗余会给信息传播带来不利影响，这限制了现有https://mp.weixin.qq.com/s/WPJrkA0hdUuFJzT6_XxEVQNTIRE2022视频增强冠军方案是怎样炼成的？作者：云中散步 转载：https://zhuanlan.zhihu.com/p/505308027 1.https://mp.weixin.qq.com/s/6PLNWb4zJRjGiH-AqtTQYQ视觉底层任务优秀开源工作：BasicSR 库使用方法作者丨科技猛兽 编辑丨极市平台极市导读 本文整理自 BasicSR 原作者的关于 BasicSR 库的文https://mp.weixin.qq.com/s/LrVwn4KXGiqYGYc3FiG3ZAICCV2021 | ArbSR：国防科大提出带尺度感知功能的新型任意尺度图像超分方案https://mp.weixin.qq.com/s/rDtxbt3OPN1wrSe406mVRg

 旷视研究院荣获 CVPR 2022 NTIRE 双目图像超分辨率比赛第一！CVPR2022 [盲图像超分] LDL: 消除GAN伪影，打造更实用盲图像超分方案https://arxiv.org/pdf/2203.09195.pdfhttps://github.comhttps://mp.weixin.qq.com/s/fVAf1vpDahWhdDu-zBcnOA

 NTIRE 2022 视频增强冠军经验分享 - 知乎[项目主页]作者： 幸群亮，樵明朗，蒋铼，徐迈单位： 北航 MC2 Lab1. 赛事背景NTIRE 挑战赛全称 New Trends in Image Restoration and Enhancement workshop and challenges on image and video processing，是 CV…https://zhuanlan.zhihu.com/p/505308027?utm_source=wechat_session&utm_medium=social&utm_oi=792800098076753920

 分析超分网络中哪些像素对最后结果影响大CVPR2021 Interpreting Super-Resolution Networks with Local Attribution Maps【CN】_哔哩哔哩_bilibiliCSIG-广东省CVPR 2021论文预交流在线学术报告会演讲实录CVPR2021 论文《Interpreting Super-Resolution Networks with Local Attribution Maps》项目主页：https://x-lowlevel-vision.github.io/lam.htmlhttps://www.bilibili.com/video/av290456056/

 视频超分辨：来看看怎样让模型跑得和苏炳添一样快作者：Salted Fish 转载：我爱计算机视觉VSR 的训练确实很费时间，本文提出多重网格训练和大型mihttps://mp.weixin.qq.com/s/qhYiai_xgxs6vg-3rpJb2Q26 fps 的视频超分辨率模型 DAP！在线输出720P视频转载：我爱计算机视觉 作者Salted Fish单位：苏黎世联邦理工、鲁汶大学、维尔兹堡大学 论文：htthttps://mp.weixin.qq.com/s/Vua8yTKgQSfazrtSXvplfQ

 ARM | 内容&硬件感知超分方案，让图像超分自适应适配不用算力平台https://mp.weixin.qq.com/s/vjYxORenY-YamRZIe1CYKQFMEN | NTIRE2021-ESR最低内存占用超分方案https://mp.weixin.qq.com/s/WjwHLAueN5LCUOs2GDyu8g西北工大&HVL&哈工大联合出版的 193 篇 GANs 在图像超分辨上综述作者：CV君 转载：我爱计算机视觉本文分享一篇近期超分辨率的最新文献综述『Generative Adverhttps://mp.weixin.qq.com/s/pinf8xr_Ha_jhrpP-56XoAETDM：基于显式时间差分建模的视频超分辨率（CVPR 2022）作者：Salted FIsh转载：我爱计算机视觉作者单位：快手、大连理工、港理工、北大、鹏城实验室论文：hthttps://mp.weixin.qq.com/s/tRuRvJnTo8SSH4M4uyHqcwGitHub - DarrenPan/CVPR2022-Low-Level-Vision: A Collection of Papers and Codes in CVPR2022 about low level visionA Collection of Papers and Codes in CVPR2022 about low level vision - GitHub - DarrenPan/CVPR2022-Low-Level-Vision: A Collection of Papers and Codes in CVPR2022 about low level visionhttps://github.com/DarrenPan/CVPR2022-Low-Level-VisionARM | 内容&硬件感知超分方案，让图像超分自适应适配不用算力平台https://mp.weixin.qq.com/s/lAcsg2YZJ-oGzlIpCaDe8w

 一种手工设计的广义盲图像超分退化模型：模糊、下采样和噪声等退化作用强势包揽！https://mp.weixin.qq.com/s/g9_5JLSgdQMMkEhk1DY2hA浅浅窥探一下超分网络的黑盒！一探究竟超分模型中的「语义」信息作者丨科技猛兽 编辑丨极市平台极市导读 本文对超分网络的语义信息进行了详细而深入的研究和探讨，是一篇高https://mp.weixin.qq.com/s/gjWV6mmMVEyaM4N-f0JuUA盲图像超分辨率的新解法？PDM：学习图像盲超分的退化分布（CVPR 2022）作者丨科技猛兽 编辑丨极市平台极市导读 本文提出的概率退化模型 (PDM) 可以更好地将退化作用与图像https://mp.weixin.qq.com/s/0q1-usroKGA9tuSVUCI_uQ

 空域自适应ICCV2023 | 用于高效图像超分的空域自适应特征调制，南理工提出SAFMN作者 | 郭航 来源 | https://zhuanlan.zhihu.com/p/645173938【论https://mp.weixin.qq.com/s/uVyngBgCbDLTJGSwM-1CAw

 

重新思考 视频超分辨 Transformers 中的对齐作者 | Salted Fish 转载 | 我爱计算机视觉笔者言： XPixel的又一力作，作者在各个方面https://mp.weixin.qq.com/s/ax1-ApIFiDUv43V9PxuyFA

 CVPR 2024 | CAMixerSR：2K/8K/轻量级/全景图像超分又快又强！（字节&南开）关注「AIWalker」并星标从此AI不迷路来源\x26amp;解读 | AI生成未来 作者 | Yan Wang等文章https://mp.weixin.qq.com/s/YT-Cg70kOOC7RuNjKQrdsg

图像处理

ICCV2021 | MIMO-UNet:重新思考CTF方案达成去模糊新高度arXiv:2108.05054code: https://github.com/chosj95/MIMO-https://mp.weixin.qq.com/s/IsxVzKkx5gW65cnMNC1qVQ何恺明最新工作：简单实用的自监督学习方案MAE，ImageNet-1K 87.8%！作者丨happy 编辑丨极市平台 恺明提出一种用于计算机视觉的可扩展自监督学习方案Masked Ahttps://mp.weixin.qq.com/s/bTFumPazfolnybDObB_D-A

CrossSR | 高文团队提出Cross卷积，显著提升结构保持性能https://mp.weixin.qq.com/s/XggUQsp1JL7AovOtRiH28g

 Dynamic Pre-training：实现高效、可扩展的一体化(All-in-one)图像恢复Dynamic Pre-training：实现高效、可扩展的一体化(All-in-one)图像恢复https://mp.weixin.qq.com/s/HAUMXuTR9MUeChZOmw-Dtw综述 | 图像去噪综合比较研究编者荐语 图像去噪的目标是从受噪声干扰的退化图像中尽可能恢复原始的真实图像，是图像进行后续处理的关键一步。文https://mp.weixin.qq.com/s/LDPd9tVqE8bCHGOIhdeH8AL0结构先验及图像模糊强度感知视频去模糊L0结构先验及图像模糊强度感知视频去模糊https://mp.weixin.qq.com/s/dAz1hEAU33cCiKt8i0jP_A图像弱光增强：南洋理工提出流正则模型LLFlow（AAAI 2022）https://mp.weixin.qq.com/s/zevlW193XxVin9ep6bJABQ

视频处理

 CVPR 2024 | 在扩散模型中学习空间适应性和时间一致性以实现视频超分辨率CVPR 2024 | 在扩散模型中学习空间适应性和时间一致性以实现视频超分辨率https://mp.weixin.qq.com/s/ZjOJJu25NZ3KnU3Qu08gPACVPR 2023 | 视频去雾：新框架和新数据引言雾大大降低了室外场景的可见度和对比度，这对自动驾驶和监控等下游视觉任务的性能产生了负面影响，例如检测和https://mp.weixin.qq.com/s/gyJ1nf3Qzq1fScpyBdKZtw

 窄带高清新技术新玩法？「任意倍数超分算法 X 视频编解码」https://mp.weixin.qq.com/s/SnOwKlxzclq-_VltqJ-wLACVPR 2023｜扩散视频自编码器：通过解纠缠视频编码实现具有时序一致的人脸视频编辑CVPR 2023｜扩散视频自编码器：通过解纠缠视频编码实现具有时序一致的人脸视频编辑https://mp.weixin.qq.com/s/gbc4cbudUJvVuK6mqTmfsgNDSI 2023：自适应帧率的高质量实时通信NDSI 2023：自适应帧率的高质量实时通信https://mp.weixin.qq.com/s/r_e2ApoWBOgn4JiA2QNfew

transformer

为何Transformer在计算机视觉中如此受欢迎？拥抱Transformer的五大理由https://mp.weixin.qq.com/s/BdhSmcwO2klu3Wm3GCAalwTransformer在图像复原领域的降维打击！ETH提出SwinIR：各项任务全面领先ETH的学者提出基于Swin Transformer提出了一种强基线模型SwinIR用于图像复原方向。https://mp.weixin.qq.com/s/w28DdccPeW_2vl2S_t8sAA

Uformer | Low-level领域第二发Transformer，占领图像降噪等高峰https://mp.weixin.qq.com/s/FKSUazOHu_4oaZFNEdFzyA

【Transformer+SR】ESRT：图像超分中的超轻量Transformerhttps://mp.weixin.qq.com/s/BCtdtKpZ7kcialBl81L9Mg

VSR-Transformer | 超越BasicVSR，Transformer拿下视频超分https://mp.weixin.qq.com/s/B9yj-7myUspM_jPJW8a_fw

 五万字综述！Prompt Tuning：深度解读一种新的微调范式https://mp.weixin.qq.com/s/dz6Ad_pVveXwe6O0RvF7iw中国科学院、东南大学等联合发表最新的视觉 Transformer 综述综述涵盖三种基本 CV 任务的一百多种不同的视觉 Transformer。https://mp.weixin.qq.com/s/J5cN24RsJzTr8Aa6ITJ82gNeurIPS 2021 | 视觉Transformer和CNN看到的特征是相同的吗？谷歌大脑新作ResNet 对比 ViThttps://mp.weixin.qq.com/s/5U1RwuYcOzk_QPmyaJf3Ag超详细图解Self-Attention的那些事儿QKV矩阵运算轻松理解https://mp.weixin.qq.com/s/y8zvD_ZO1du26T2mrzNWcQ

 迟到的 HRViT | Facebook提出多尺度高分辨率ViT，这才是原汁原味的HRNet思想ViT因其在计算机视觉任务中的优越性能而备受关注。为了解决单尺度低分辨率表示的局限性，之前的工作将ViT应用https://mp.weixin.qq.com/s/7KNGVXxxfc_DYFv6KEcMnQ

压缩视频

ICCV2021—工业界中的神经网络视频传输超分算法关注公众号，发现CV技术之美本文转载自：我爱计算机视觉作者单位：北京邮电大学、Intel中国研究院 论文链接https://mp.weixin.qq.com/s/o26K6lDdDA5AeDbE_BYugQ

ICCV2021 FBCNN: 超灵活且强度可控的盲压缩伪影移除新思路https://mp.weixin.qq.com/s/vKLCzY7uIBpQXd4AKO3I9A

 低复杂度多模型 CNN 环路滤波 for AVS3低复杂度多模型 CNN 环路滤波 for AVS3https://mp.weixin.qq.com/s/ZDh1x_gpDTQdrnjRN1kydQ视频编码器的智能化——AI辅助编解码的ASIC解决方案本文整理自镕铭半导体工程副总裁——刘迅思，在LiveVideoStackCon 2021 音视频技术大会 北京站的演讲分享。https://mp.weixin.qq.com/s/MFcUV8LlPpJ07IPL_Y0JUg视频编码标准、优化和画质评估本文整理自刘明、罗亚两位老师在LiveVideoStackCon 2021 音视频技术大会 北京站的演讲内容。https://mp.weixin.qq.com/s/zVDK4fHtXu2hHa_z7Nq8_w针对 UGC 视频编码优化的基于机器学习的编码系数调整本次演讲主题为针对 UGC 视频编码优化的基于机器学习的编码系数调整，主讲人为 Gaurang Chaudhari。https://mp.weixin.qq.com/s/LX5Hj-3ETpajNlFStzSIgQ

 Deep Learning-Based Video Coding: A Review and A Case Study_weixin_30325487的博客-CSDN博客郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！1、Abstract:　　本文主要介绍的是2015年以来关于深度图像/视频编码的代表性工作，主要可以分为两类：深度编码方案以及基于传统编码方案的深度工具。对于深度编码方案，像素概率建模和自动编码器是两种方法，分别可以看作是预测编码方案和变换编码方案。对于深度工具，有几种使用深度学习来执行帧内预测、帧间预测、跨通道预测、概率分...https://blog.csdn.net/weixin_30325487/article/details/98130352视频编码中的自适应拉格朗日乘数视频编码中的自适应拉格朗日乘数https://mp.weixin.qq.com/s/efuY2Vs40nZtBRaSBlgFJg

 ICCV 2023 | 基于模型的深度视频压缩ICCV 2023|基于模型的深度视频压缩https://mp.weixin.qq.com/s/GPfF_SYVBGIOuPEMApNDpw视频编解码芯片设计原理----16 神经网络与视频编码本系列主要以HEVC视频编码标准为基础，介绍视频编解码芯片的设计。https://mp.weixin.qq.com/s/FSnKxRTJcxufhrMoH3vz7Q

基础网络

深度学习中的Attention总结【GiantPandaCV导语】\x0a近几年，Attention-based方法因其可解释和有效性，受到了学术界https://mp.weixin.qq.com/s/0lS0NYlOZOxI-vql02srxA

 深度学习中Attention机制的“前世今生”Attention机制的“前世今生 ”（即Attention机制的发展）https://mp.weixin.qq.com/s/tZSNLRPLhQ3pKy8zBgtBAw

89.77%！谷歌大脑Quoc V.Le团队提出CoAtNet：将卷积与自注意力纳入同一模块。标题\x26amp;作者团队paper：https://arxiv.org/abs/2106.04803本文是谷歌研究院Qhttps://mp.weixin.qq.com/s/I7D6WxxnZYZcyNgW0XpOdg

 将随机裁剪变成slide crop性能提升（随机裁剪对性能是有影响的）ICCVW2021 SDWNet=多尺度空洞+小波重建，进一步提升去模糊性能【GiantPandaCV导语】今天带来一篇熊猫人自己的工作，这篇文章主要是在年初NTIRE图像去模糊赛道的https://mp.weixin.qq.com/s/jPpDds6T9zTbfuAX1xpG7A

 深度了解自监督学习，就看这篇 ！混合卷积-Transformer模型实现更高效的MAE作者丨科技猛兽 编辑丨极市平台 转载 | 极市平台导读 特征蒸馏使得对比学习性能媲美掩码图像建模 本文目录1https://mp.weixin.qq.com/s/A_IW_mDyZbsc7g3F4FcopAMIRNet重磅升级！MIRNetV2 更快、更强、更轻量https://mp.weixin.qq.com/s/EUPNJHEE6De5xz-fe8nAhw知识蒸馏综述：代码整理使用RepDistiller中的蒸馏方法，解释了蒸馏策略，并提供实现源码。https://mp.weixin.qq.com/s/wWnksQw8p9YmZEQRIfJ2hw综述：如何给模型加入先验知识五个给模型加入先验信息的方法总结https://mp.weixin.qq.com/s/XedFEtRf4qWL6wByM2k98w

深度学习中的 Attention 机制总结与代码实现（2017-2021年）基于Attention网络的核心代码进行整理和复现。https://mp.weixin.qq.com/s/y2Y1Fztck-WTFJzLrwAp1g深度神经网络模型训练中的 tricks（原理与代码汇总）本文总结了十数种图像分类任务中的重要技巧，对于目标检测和图像分割等任务，也起到了不错的作用。https://mp.weixin.qq.com/s/Xnlp7JGx5O_I6ZmjuQ1UGQ
综述：轻量级CNN架构设计结合论文和项目比赛的经验，讲述了轻量级CNN的发展以及设计总结。https://mp.weixin.qq.com/s/8I_04ni7MZm8uLmRKzuF8Q涨点神器！特征金字塔技术总结https://mp.weixin.qq.com/s/PdctgcKXG1ve9xzZUyFEFw

 Self-Attention & Transformer完全指南：像Transformer的创作者一样思考https://mp.weixin.qq.com/s/Mz4Vy74KZK90EEiD-wzd9AGAN（对抗生成网络）原理及数学推导本文主要涉及GAN网络的直观理解和其背后的数学原理。 参考课程： 计算机视觉与深度学习 北京邮电大学 鲁鹏 概述 在所有生成模型中，GAN属于 “密度函数未知，直接硬train” 的那一类，和密度函数可定义的PixelRNN/CNN以及变分自编码…http://dljz.nicethemes.cn/news/show-195071.html

 工具

 22 款神经网络设计和可视化的工具大汇总写论文不用愁啦！https://mp.weixin.qq.com/s/7jvHJObgpCImUws36eSiFw推荐给研究僧们的好用工具集锦本文总结了一些作者在读博时经常使用的一些科研工具。https://mp.weixin.qq.com/s/unSn18u0y51EHvLu9nJ_CgSCI投稿7个阶段的邮件模板！日后会用到！https://mp.weixin.qq.com/s/Vtsqvgl4h9Wpbx3WfP6BvA50种Matplotlib科研论文绘图合集，含代码实现50个令人眼前一亮的可视化项目https://mp.weixin.qq.com/s/I4orDI2k_YYwRyWHPNWatQ

 论文画图工具：25个常用Matplotlib图的Python代码总结https://mp.weixin.qq.com/s/nk2QHiA5ftusUA4aaasF9Q

  loss函数

深入理解计算机视觉中的损失函数 - 知乎导读1. Pixel-wise损失函数2. Perceptual损失函数3. 内容-风格损失函数—神经网络风格转换5. 纹理损失6. 拓扑感知损失函数7. 对比损失/三元组损失8. GAN损失 以下文章来源于AI公园 ，作者ronghuaiyang 导读损失函…https://zhuanlan.zhihu.com/p/156929750

9个数据科学中常见距离度量总结以及优缺点概述https://mp.weixin.qq.com/s/YGkWNSjO0KuTE3i7Wl7gGQ
https://machinelearningmastery.com/loss-and-loss-functions-for-training-deep-learning-neural-networks/https://machinelearningmastery.com/loss-and-loss-functions-for-training-deep-learning-neural-networks/

  特征提取
PyTorch框架下分别使用Vgg、Resnet、Densenet提取图像集特征_Messi-Q的博客-CSDN博客这里主要是使用预训练好的模型进行图片特征的提取，分别使用三个模型进行抽取。而特征提取是提取神经网络模型的倒数第二层，这里自己对模型的进行了微调，话不多说，直接上代码。使用resnetimport torchimport torch.nn as nnfrom torch.autograd import Variablefrom torchvision import models,...https://blog.csdn.net/qq_34611579/article/details/84330968

 调制

 https://arxiv.org/pdf/2403.14135.pdf

图像解码器；多头混合专家网络；视觉模型美学对齐；医学视觉任务适应基准https://mp.weixin.qq.com/s/0m5dpJIzP_8Euax5HJ1Oig