错过2018年的CVPR没关系，别再错过这10篇论文！

点击上方关注，All in AI中国

2018年全球计算机视觉和模式识别会议（CVPR）近日在美国盐湖城举行。这是计算机视觉领域中的世界顶级会议。今年，CVPR收到了3,300份主要的会议论文，其中有979份论文被接纳。超过6,500人参加了会议。

每年，CVPR都会吸引很多优秀的人才和他们的研究成果;总有一些新的东西值得去看和学习。同理，总有一些论文发表会有新的突破性成果，并为该领域带来新知识，给行业注入新鲜的血液。这些论文经常为计算机视觉的许多子领域塑造带来最新的技术。

随着计算机视觉领域的深度学习，我们发现了所有的可能性。许多论文都将展示深度网络在视觉中的全新应用。它们可能不是最根本的突破性作品，但它们很有趣，能为该领域提供创造性和启发性的视角，可以从它们呈现的新角度激发新的想法。总而言之，它们非常酷！

在这里，本文将向你展示作者认为是在2018年CVPR上的10篇最酷的论文。你将看到通过使用深度网络实现的最新应用，以及如何应用它们的最新方法。你可能会在此过程中有一些新的收获。让我们开始吧！

用合成数据训练深度网络：通过领域随机化缩小现实差距（https://arxiv.org/abs/1804.06516）

本文来自Nvidia，核心思想是充分利用合成数据来训练卷积神经网络（CNN）。他们为Unreal Engine 4创建了一个插件，它将会生成合成训练数据。其中的关键是他们将训练数据可能拥有的变量进行了随机化，包括：

• 目标物体的数量和类型
• 干扰项的数量、类型、颜色和规模
• 目标物体和背景照片的图案
• 针对不同场景的虚拟摄像机的位置
• 针对不同场景摄像机的角度
• 点光源的数量和位置

研究人员展示了利用合成数据进行预训练后出色的效果和效率，结果达到了前所未有的水平。这也对你在没有重要数据来源时提供了一种思路，即生成并使用合成数据。

WESPE：用于数码相机的弱监督照片增强器（http://www.vision.ee.ethz.ch/~ihnatova/wespe.html）

这项研究通过训练生成对抗网络（GAN）来美化照片，也就是"修图"。很酷的部分是，它是受到弱监督的。你不需要有输入和输出的图像，想要训练网络，你所需要的只是一组"好看"的图像（用于输出基础事实）和一组想要增强的"不好看"的图像（用于输入图像）。然后，通过训练GAN以产生输入图像的美学增强版本，使其符合审美，它通常会改进图像的颜色和对比度。

这一款应用使用起来非常快捷方便，因为你不需要精确的图像对，最终会得到一个"通用"的图像增强器。作者还喜欢这篇论文的一点是它弱监督的方法，非监督的学习看起来似乎相当遥远，但对于计算机视觉中的许多子领域而言，弱监管似乎是一个充满希望且可靠的方向。

用Polygon-RNN ++对图像分割数据集进行高效地交互式标注（https://arxiv.org/abs/1803.09693）

深度网络之所以能有巨大帮助，正是得益于大型的经过标注的数据集。然而，对于许多计算机视觉任务而言，想获得这样的数据既费时又成本高昂。特别是分割的数据需要对图片中的每个像素进行分类标注。所以对大型数据集来说，标注是永远都标不完的。

而Polygon-RNN ++允许你在图像中的每个目标物体周围大致圈出多边形形状，然后网络将自动生成分割标注！论文中表明这种方法实际上很好推广，可以用来为分割任务创建快速简便的标注！

从时尚配图中创造自己的"衣柜"（https://arxiv.org/abs/1712.02662）

"嗯，我今天应该穿什么？"如果有人可以每天早上为你回答这个问题，那将再好不过了。

在这篇论文中，作者设计了一个模型，给出候选服装和配件的清单，模型能对各件单品进行组合，提供所有可能的混合搭配方案。事实上它是使用目标函数进行训练，这些目标函数只在捕捉视觉兼容性、多功能性和用户偏好等关键要素。有了它，你可以轻松搭配最适合你的最佳服装！

Super SloMo：用于视频插值的多个中间帧的高质量估计（https://arxiv.org/abs/1712.00080）

你曾经是否想以超级慢动作来拍摄超级炫酷的东西呢？那么Nvdia的Super SloMo就是你的最佳选择！用CNN估计视频中间帧，能够将标准的30fps视频转换为240fps的慢动作回放视频！该模型估计了帧与帧之间的光流，并将它插入视频帧中间，使慢动作视频看起来更加清晰流畅。

从视觉数据构建狗的行为模型（https://arxiv.org/abs/1803.10827）

这可能是有史以来最酷的研究论文！这项研究的想法是试图模拟狗的思想和行为。研究人员将许多传感器连接到狗的四肢以收集其运动的数据; 他们还在狗的头部安装了一个摄像头，从而获得"狗狗视角下的画面"。为了从视频帧中提取图片特征，研究人员用到了CNN特征提取器，之后和传感器数据一起被传输到LSTM中，预测狗的行为。这种非常新颖和具有创造性的应用程序，以及任务框架和执行的独特方式使这篇论文非常有可读性！希望这样的数据收集方法和深度学习技术的应用能激励未来的研究。

学会分割一切（https://arxiv.org/abs/1711.10370）

在过去的几年里，何凯明团队（以前在微软研究院，现在就职于Facebook AI Research）提出了许多重大的计算机视觉研究成果。他们的研究最棒之处在于将创造力和简单性相结合。ResNet和Mask R-CNN都算不上是最疯狂、最复杂的点子，虽然它们简洁易用，但在实际中非常高效。

Learning to Segment Every Thing是Mask R-CNN的扩展，它使网络能够分割在训练期间从未见过的目标物体！这对于快速获取数据集中的标签非常有帮助，同时成本也较低。事实上，它可以对从未见过的目标种类获取强大的基本分类，这对于实际应用这类分割网络是非常重要的，因为在这样的环境中可能有很多陌生种类。总的来说，这是大多数深度网络模型应该考虑的正确方向。

桌上足球（https://arxiv.org/abs/1806.00890）

本论文的研究是在FIFA世界杯开幕时正式发布的，理应获得最佳时机奖！它确实是使CVPR计算机视觉变的"更酷"应用之一。简而言之，作者训练了一个模型，在给定足球比赛视频的情况下，该模型可以输出该比赛的动态3D重建，也就是说你可以用AR技术随时随地查看比赛。

最巧妙的是，作者将不同种类的信息结合了起来。使用视频游戏数据训练网络，数据可以用3D网格轻松提取。在测试时，运动员的边界框、姿势和轨迹都被提取出来，以进行分割。这些3D分割可以轻松投射到任意平面上。这也是用合成数据进行训练的好方法。

LayoutNet：从单个RGB图像重建3D房间布局（https://arxiv.org/abs/1803.08999）

这是一个计算机视觉应用程序，我们很多人可能曾经想过：使用相机拍摄某些东西，然后用数字3D技术重建它。这正是本文的目的，特别是重建3D房间布局。研究人员使用全景图像作为输入，以获得房间的完整视图。输出是3D重建后的房间布局，具有相当高的准确性！该模型足够强大，可以推广到不同形状、并包含许多不同的家具的房间。这是一个有趣而好玩、又不需要投入太多研究人员就能够实现的应用程序。

学习可迁移的架构以实现可扩展图像识别任务（https://arxiv.org/abs/1707.07012）

最后要介绍的是一项许多人都认为是深度学习未来的研究：神经架构搜索（NAS）。NAS背后的基本思想是，我们可以使用另一个网络"搜索"最佳模型架构，而不是手动设计网络架构。搜索会基于一个奖励函数，在验证集上函数会根据模型表现进行奖励。作者表示这种架构比手动设计的精确度更高，并且灵活性更好。 此外，作者在论文中表明，这种模型结构比起手动设计的模型能够获得更高的精度。这将是未来巨大的研究方向，特别是对于设计特定的应用程序而言。因为我们真正关注的是设计好的NAS算法，而不是为我们特定的应用设计特定的网络。精心设计的NAS算法将足够灵活，并能够为任何任务找到良好的网络结构。

结束语

希望你能从中学到一些新的有用的东西，甚至可能为你自己的研究找到一些新的想法！