研究CV，也许应该学点采矿技术

这篇文章带领大家一起回顾这周新出的综述类文章，它们系统性回顾技术的发展，可以让读者快速找到很多有用信息。

总结来说，这些综述讲了：

• 深度学习与图像去噪
• 医学图像分析与Vision Transformers
• 数据增强
• 数据提炼

比较有意思的数据提炼方向，这让我想到，也许可以把“矿物开采与加工”的那一套理论搬到AI领域来！[捂脸]

▌Image Denoising: The Deep Learning Revolution and Beyond -- A Survey Paper

• 作者单位：以色列理工学院
• 论文链接：https://arxiv.org/abs/2301.03362

这是一篇对深度学习给图像去噪带来新方法和新问题的综述。

图像去噪（去除图像中的高斯白噪声）是一个“古老”的话题，基础又重要，可能很多人认为计算机视觉几十年的发展，已经出现的大量优秀的算法已经解决了这一问题。

但深度学习的出现又给这一领域注入新的活力，不过要注意，这决不是新瓶装旧酒，这篇综述的作者认为深度学习给图像去噪带来了“革命”性进展，使图像去噪性能更好是一方面，也扩大了图像去噪问题的范围，可以服务于计算机视觉中的新问题和新场景。

作者指出图像去噪可以作为一般的图像逆问题正则化方法，可以作为类似基于扩散模型的图像合成的新引擎。作者阐明了为逆向问题产生随机化和多样化的高质量结果的有效方法，而这都是深度学习给图像去噪领域带来的新能力。

这篇综述给我们一个启示，深刻理解计算机视觉的基础，也许会有助于研究最近比较“时髦”的问题。

▌Advances in Medical Image Analysis with Vision Transformers: A Comprehensive Review

• 作者单位：亚琛工业大学；伊朗科技大学；沙希德贝赫什迪大学；University of Regensburg；Mevis研究所
• 论文链接：https://arxiv.org/abs/2301.03505
• 代码链接：https://github.com/mindflow-institue/Awesome-Transformer

这是一篇关于Transformer模型在医学图像分析领域应用的综述。

包括分类、分割、检测、配准、合成和临床报告生成等，并分析了美中方法的新颖性在哪里、优势和劣势等，该文还发明了突出关键属性和贡献的算法的分类方法。概述了目前不同数据集上的基准结果，目前的关键的挑战，和可能的未来研究方向。

▌Advanced Data Augmentation Approaches: A Comprehensive Survey and Future directions

• 作者单位：都柏林城市大学等
• 论文链接：https://arxiv.org/abs/2301.02830
• 代码链接：https://github.com/kmr2017/Advanced-Data-augmentation-codes

高等数据增广方法综述。

数据增强通过增加样本多样性来扩大数据集的规模，已被证明可有效改进深度学习系统的训练结果

这篇综述，系统阐明了数据增强的背景，相关技术分类方法，各种技术的优点和缺点。作者还特别分任务对图像分类、目标检测和语义分割的增强方法进行了说明。特别值得一提的是，作者列出了所有数据增强技术的可用代码。

相信这篇论文是特别值得收藏的。

▌Data Distillation: A Survey

• 作者单位：加州大学圣迭戈分校
• 论文链接：https://arxiv.org/abs/2301.04272v1

关于数据提炼（Data Distillation）的综述。

在现实世界的采矿中，矿物要经过提炼获得高纯度的矿，面对大量的训练数据，AI时代也要考虑数据的提炼，数据提炼方法旨在合成简明的数据摘要，这真是一个比较有意思的研究方向。

使用提炼后的数据可以使训练时间缩短，加快模型设计和验证，在训练、推理、架构搜索等场景中，作为原始数据的有效替代。

在这一综述中，作者提出了数据提炼的一般形式，并提供了对现有方法的详细分类。因为数据的多样性，作者也专门针对不同数据进行了综述，比如图像、图数据、推荐系统中用户与项目交互的数据等。

查看更多最新CV类综述论文，推荐关注CV君一直在维护的这个项目：

https://github.com/52CV/CV-Surveys