【ICCV 2019 Tutorial】Learning to enhance in the real world（在现实世界中学习增强），苏黎世联邦理工学院 Martin Danelljan副教授

摘要：许多图像增强和恢复任务，例如图像去噪和超分辨率，都遭受着真实地面数据的缺乏或匮乏之苦。这使实际环境中的方法训练和评估严重复杂化。代替直接解决这些问题，研究的主要重点一直放在人工生成的配对数据上。例如，在图像去噪的情况下，最常见的配对数据是通过添加高斯白噪声来清洗图像。类似地，在超分辨率的上下文中应用双三次下采样，以获得相应的低分辨率图像。但是，这些图像降级技术仅充当其真实对应技术的粗略近似。实际上，降解过程要复杂得多，而且常常是未知的。例如，双三次降采样通过减少实际图像中存在的噪声和其他高频内容，极大地改变了图像特性。因此，不能期望在这种人工条件下训练的图像增强和还原方法能够推广到实际环境。当模型应用于真实数据时，我们将研究由人工设置引起的问题。我们将审查用于半监督和无监督图像增强和恢复的方法，特别关注现实世界中的超分辨率问题，其目的是减少或消除对人工创建的配对数据的需求。因此，不能期望在这种人工条件下训练的图像增强和还原方法能够推广到实际环境。当模型应用于真实数据时，我们将研究由人工设置引起的问题。我们将审查用于半监督和无监督图像增强和恢复的方法，特别关注现实世界中的超分辨率问题，其目的是减少或消除对人工创建的配对数据的需求。因此，不能期望在这种人工条件下训练的图像增强和还原方法能够推广到实际环境。当模型应用于真实数据时，我们将研究由人工设置引起的问题。我们将审查用于半监督和无监督图像增强和恢复的方法，特别关注现实世界中的超分辨率问题，其目的是减少或消除对人工创建的配对数据的需求。

简介： Martin Danelljan是瑞士苏黎世联邦理工学院的博士后研究员。他获得了博士学位。他于2018年从瑞典林雪平大学获得博士学位。论文在SCIA 2019上获得了两年一度的最佳北欧论文奖。他的主要研究兴趣是用于视觉跟踪和视频对象分割的在线和元学习方法，用于图像生成的深度概率模型以及无监督或受限监督的机器学习。特别是他在视觉跟踪领域的研究引起了很多关注。2014年，他赢得了视觉对象跟踪（VOT）挑战赛和OpenCV最先进的视觉挑战赛。此外，他在VOT2016和VOT2017挑战赛中均排名最高。他获得了ICPR 2016最佳论文奖和BMVC 2019最佳学生论文奖。