[计算机视觉论文速递] ECCV 2018 专场4
前戏
Amusi 将日常整理的论文都会同步发布到 daily-paper-computer-vision 上。名字有点露骨，还请见谅。喜欢的童鞋，欢迎star、fork和pull。
直接点击“阅读全文”即可访问daily-paper-computer-vision。
link: https://github.com/amusi/daily-paper-computer-vision
ECCV 2018是计算机视觉领域中的顶级会议，目前已经公开了部分已录用的paper。之前已经推送了两篇 ECCV 2018论文速递推文：
[计算机视觉论文速递] 2018-07-19 ECCV 2018专场1
Instance Segmentation
《Semi-convolutional Operators for Instance Segmentation》
ECCV 2018
Approaches for instance segmentation based on dense coloring via convolutional pixel embeddings cannot easily distinguishing identical copies of an object
Instance segmentation on Pascal VOC 2012
Abstract：目标检测（Object detection）和实例分割（instance segmentation）由基于区域的方法（例如Mask RCNN）主导。然而，人们越来越关注将这些问题减少到像素标记任务，因为后者可以更高效，可以在许多其他任务中使用的图像到图像（image-to-image）网络架构中无缝集成，并且对于不能由边界框近似的目标更加准确。在本文中，我们从理论和经验上表明，使用卷积算子不能轻易地实现构建可以分离对象实例的 dense pixel embeddings 。同时，我们表明简单的修改，我们称之为 semi-convolutional，其在这项任务中有更好的表现。我们证明了这些算子也可用于改进Mask RCNN等方法，展示了比单独使用Mask RCNN可实现的复杂生物形状和PASCAL VOC类别更好的分割。
arXiv：https://arxiv.org/abs/1807.10712
注：嗯，超越了Mark R-CNN
Super Resolution
《CrossNet: An End-to-end Reference-based Super Resolution Network using Cross-scale Warping》
ECCV 2018
Left: the ‘patch maching + synthesis’ pipeline of [2], middle: the proposed end-to-end CrossNet, right: results comparisons
Network structure of our proposed CrossNet
Abstract：The Reference-based Super-resolution (RefSR) super-resolves a low-resolution (LR) image given an external high-resolution (HR) reference image，其中参考图像和LR图像共享相似的视点但具有显著的分辨率间隙 x8。现有的RefSR方法以级联的方式工作，例如 patch匹配，然后是具有两个独立定义的目标函数的合成 pipeline，导致inter-patch misalignment，grid effect and inefficient optimization。为了解决这些问题，我们提出了CrossNet，一种使用跨尺度变形的端到端和全卷积深度神经网络。我们的网络包含图像编码器（encoder），cross-scale warping layers和融合解码器（decoder）：编码器用于从LR和参考图像中提取多尺度特征;cross-scale warping layers在空间上将参考特征图与LR特征图对齐;解码器最终聚合来自两个域的特征映射以合成HR输出。使用跨尺度变形，我们的网络能够以端到端的方式在像素级执行空间对齐，从而改善现有方案的精度（大约2dB-4dB）和效率（超过100倍） 。
arXiv：https://arxiv.org/abs/1807.10547
希望上述两篇ECCV 2018 最新的paper可以给你带来一点灵感~