近日，国际计算机视觉会议 ICCV 2023（International Conference on Computer Vision）公布了论文接收结果，华东师范大学计算机科学与技术计算机视觉研究领域MIV实验室共有2篇论文被录用。
ICCV是由IEEE举办的计算机视觉领域的国际顶级会议，在世界范围内每两年召开一次，被中国计算机学会（CCF）推荐为人工智能领域A类会议。ICCV 2023是第十九届国际计算机视觉会议，将于2023年10月2日至6日在法国巴黎举办，本届会议录用率约为26.8%。
博士生雷鹏程作为第一作者完成的研究成果“Decomposition-Based Variational Network for Multi-Contrast MRl Super-Resolution and Reconstruction”致力于多对比MRI重建和超分任务。多对比MRI超分辨率（SR）和重建方法旨在从参考图像中探索补充信息以帮助重建目标图像。现有的基于深度学习的方法通常手动设计融合规则来聚合多对比度图像，无法准确地建模它们的相关性并且缺乏一定的解释。针对这些问题，我们提出了一种多对比度变分网络（MC-VarNet）来显式建模多对比度图像的关系。我们的模型是基于多对比度图像具有一致（边缘和结构）和不一致（对比度）信息的直观动机构建的。因此，我们建立一个模型来重建目标图像并将参考图像分解为公共组件和独特组件。在特征交互阶段，仅将公共成分转移到目标图像。我们求解变分模型并将迭代解决方案展开到深度网络中。因此，所提出的方法结合了基于模型的方法的良好可解释性和基于深度学习的方法的强大表示能力。多对比MRI重建和SR的实验结果证明了该模型的有效性。特别是，由于我们明确地对多对比度图像进行建模，因此我们的模型对于具有噪声和大的不一致结构的参考图像更加鲁棒。
硕士生代宇晖与博士生张俊康等人共同完成的研究成果“Indoor Depth Recovery Based on Deep Unfolding with Non-Local Prior”致力于解决室内深度恢复问题。近年来，基于深度网络的深度恢复取得了巨大成功。然而，现有最先进的网络设计在深度恢复任务中缺乏明确的机制，类似一个黑匣子。利用深度图像中存在大量非局部共同特征的特性，我们提出了一种新颖的模型引导深度恢复方法，即DC-NLAR模型。我们的模型中还嵌入了非局部自回归正则项，以捕获更多非局部深度信息。为了充分利用神经网络的优异性能，我们开发了深度图像优先来更好地描述深度图像的特征。我们还引入了隐式数据一致性术语来解决具有高异质性的简并算子。然后，我们使用半二次分裂算法将所提出的模型展开为网络。该方法在NYU-Depth V2和SUN RGB-D数据集上进行了实验，实验结果达到了与深度学习方法相当的性能。
论文详见：