這里我們接著來看看這次siggraph里面其它幾篇關(guān)于計算影像學的文章。

5.Searching for Fast Demosaicking Algorithms

我們結(jié)合使用學習和程序搜索來自動合成高效、高質(zhì)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(zhì)量的帕累托前沿，從每像素 10 秒到 1000 秒的操作。

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

唯一提供比我們更高質(zhì)量的先前方法是大型卷積模型，計算成本高出 2-3 個數(shù)量級。除了此處顯示的傳統(tǒng)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(lián)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(xiàn)有協(xié)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(diào)和顏色差異很大。

我們證明，如果我們在使用現(xiàn)有的完整參考指標計算圖像質(zhì)量之前糾正相機響應曲線反轉(zhuǎn)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(tài)范圍有限，在曝光不足的區(qū)域會出現(xiàn)噪聲響應，在飽和區(qū)域會出現(xiàn)色彩偽影。本文介紹了第一種方法（據(jù)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(fā)中重建高分辨率、高動態(tài)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(yōu)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(jié)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(nèi)存需求低，并且從合成但真實的數(shù)據(jù)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