弥合计算摄影与视觉识别之间差距：算法与评估.pdfVIP

1

弥合计算摄影与视觉识别之间的差距

RosauraG.VidalMata*，SreyaBanerjee*，BrandonRichardWebster，MichaelAlbright，PedroDavalos，

ScottMcCloskey，BenMiller，AsongTambo，SushobhanGhosh，SudarshanNagesh，YeYuan，YueyuHu，

JunruWu，WenhanYang，XiaoshuaiZhang，JiayingLiu，ZhangyangWang，Hwann‑TzongChen，Tzu‑

WeiHuang，Wen‑ChiChin，Yi‑ChunLi，MahmoudLababidi，CharOtto，和WalterJ.Scheirer

9

1—在不理想的情况下获取的图像的当前最先进图像恢复和增强技术？能否将此类算法作为预处理步骤，以提高图像的可

0解释性，用于手动分析或自动视觉识别来分类场景内容？尽管在计算摄影领域已经取得了重要进展，以恢复或增强图像的视觉质量，但这

2些技术的能力并不总能以有用的方式转化为视觉识别任务。因此，迫切需要开发旨在同时改善视觉外观和识别的算法，这将成为许多现实

r2

场景中部署视觉识别工具的促进因素。为此，我们引入了UG数据集，这是一个大规模基准测试，由在具有性的条件下捕获的图

p像组成，并设计了两个增强任务，用于测试算法对视觉质量和自动物体识别的影响。此外，我们提出了一套评估此类任务联合改进以及个

A别算法进展的指标，包括一种基于心理学的人类评估新方法和一套针对物体识别性能的现实定量措施。我们介绍了六种新的图像恢复

0或增强算法，这些算法是在IARPA赞助的UG2研讨会（于2018年CVPR会议上举行）期间创建的。根据评估体系，我们对这些

1算法以及一系列基于深度学习和经典基线方法进行了深入分析。从观察结果来看，很明显，我们在构建计算摄影与视觉识别之间桥梁的早

期阶段，这一领域还有许多创新机会。

]

V

C

.

s

c

[

索引术语—计算摄影，物体识别，去卷积，超分辨率，深度学习，评估

2

vF

2

81引言学。

4H•MahmoudLababidi来自约翰斯·霍普金斯大学。

•CharOtto来自诺布尔公司。

9

0T从自主车辆平台（如小型无人机）收集图像的优势显而

.

1易见。便携式系统可以从安全位置，或的

0

9地形，在搜救、恢复以及其他一些传统上存在的情

1况中获取数小时的，而无需将人