這里我們接著來看看這次siggraph里面其它幾篇關于計算影像學的文章。

5.Searching for Fast Demosaicking Algorithms

我們結合使用學習和程序搜索來自動合成高效、高質量的去馬賽克算法。與之前最先進的方法相比，它們顯著提高了成本與質量的帕累托前沿，從每像素 10 秒到 1000 秒的操作。

與之前發布的算法相比，它們在相同成本下的質量至少高出 1dB，或者在相同質量下快 5-10 倍。具有挑戰性的圖像內容的視覺質量顯著提高。

唯一提供比我們更高質量的先前方法是大型卷積模型，計算成本高出 2-3 個數量級。除了此處顯示的傳統拜耳去馬賽克之外，我們還展示了用于從 X-Trans 傳感器去馬賽克以及僅用于聯合去馬賽克超分辨率和超分辨率的帕累托主導算法。

6.Comparison of single image HDR reconstruction methods— the caveats of quality assessment

用于評估單圖像 HDR 重建方法的現有協議直接將重建的 HDR 圖像與參考進行比較，如藍色陰影矩形所示。這是不可靠的，因為參考和重建的 HDR 圖像之間的色調和顏色差異很大。

我們證明，如果我們在使用現有的完整參考指標計算圖像質量之前糾正相機響應曲線反轉誤差，則指標的準確性可以大大提高，如綠色陰影矩形所示。

盡管如此，指標只能檢測到此任務中非常大的圖像差異，因此建議進行受控實驗。

7.High Dynamic Range and Super-Resolution from Raw Image Bursts

智能手機和中檔相機拍攝的照片空間分辨率和動態范圍有限，在曝光不足的區域會出現噪聲響應，在飽和區域會出現色彩偽影。本文介紹了第一種方法（據我們所知），從具有包圍曝光的手持相機捕獲的原始照片突發中重建高分辨率、高動態范圍的彩色圖像。該方法使用物理上精確的圖像形成模型，將用于解決相應逆問題的迭代優化算法與用于魯棒對齊的學習圖像表示和學習的自然圖像先驗相結合。

與最先進的基于學習的圖像恢復方法相比，所提出的算法速度快，內存需求低，并且從合成但真實的數據中端到端學習的特征。廣泛的實驗證明了它的卓越性能，在使用手持相機在野外拍攝的真實照片上具有高達×4的超分辨率因子，并且對低光條件、噪聲、相機抖動和適度的物體運動具有很高的魯棒性。

審核編輯：劉清