每日论文 | 用卷积网络恢复模糊图像；面向语义分割的域适应；动态图形神经网络

1

Convolutional Deblurring for Natural Imaging

在这篇论文中，我们提出了一种新方法修正图像的模糊影像，只需要一次卷积过滤，可以直接恢复模糊的图像。光学模糊的问题在很多图像应用领域都是缺点，由于计算成本高、图像重建的质量有限，去除模糊一直是个挑战。我们通过合成一个反卷积核，将其作为FIR的线性组合，在图像边缘应用一个高斯低通滤波器来解决这一问题。

地址：https://arxiv.org/abs/1810.10725

2

Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training

最近，深度网络在语义分割上取得了很大进步，但是很多模型通常在现实生活中遇到的挑战和训练中的很不一样，许多都是训练数据中不存在的问题。尤其是这样的差距通常体现在“域之间的差别”上，可能会导致模型性能的急剧下降。在这篇论文中，我们提出了一种新的无监督域适应框架，将问题改变成隐藏变量损失的最小化，通过生成目标数据的伪标签并重新训练模型。

地址：https://arxiv.org/abs/1810.07911

3

Dynamic Graph Neural Networks

最近几年，图形神经网络受到了很多关注，他们被应用到多种不同的、与图像相关的任务中，例如对系统活动进行推理、图形分类、节点分类等等。大多数图形神经网络模型都是为静态图形设计的，但现实中很多图形内不是动态的。所以在这篇论文中，我们提出了DGNN，这是一种新的动态图形神经网络，可以将动态信息建模成图形。

地址：https://arxiv.org/abs/1810.10627