| 背景
底層計算機視覺技術，如圖像增強、圖像復原等，一直以來都是一個重要且熱門的研究方向。傳統的方法多基於稀疏編碼、小波變換等技術，近年來，深度學習的興起爲該領域帶來了新的發展機遇，同時大幅度提升了方法性能。然而，與工業界源源不斷的增強、復原需求相比，現有方法在穩定性、視覺效果、處理速度等方面仍有比較大的提升空間。因此，學術界多數研究組均設有底層視覺相關研究方向，每年均有大量的頂會論文發表。該領域未來的研究及工程落地將繼續活躍，藉助硬件設備日益增長的計算能力，持續提升方法的穩定性、視覺效果等。
基於深度學習的底層視覺技術無論在理論上還是實踐上都有重要意義。首先，理論上，底層視覺對應了所有的圖像到圖像的處理問題，相比高層視覺任務如圖像分類等，底層視覺任務需要求解的解空間更大。其次，在實踐上，底層視覺技術已經被應用到日常生活及工業生產的方方面面。以圖像超分辨率爲例，隨着目前手機、電視等顯示屏分辨率的提升，高質量視頻、圖像可以極大提升用戶體驗。然而，很多存量的經典影視劇受限於拍攝時的技術限制，分辨率相對較低。因此，使用圖像超分辨率技術將經典影視劇超分到較高分辨率對各電視臺、網絡媒體及手機、電視廠商來說都有重大需求。底層視覺技術已經應用到生活生產的方方面面，包括但不限於遙感、醫療圖像處理、攝像設備、手機、電視、壓縮傳輸等，有着極大的應用價值。
以基於深度學習的底層視覺技術爲例，深入講解算法知識及方法綜述，並基於此講解研究計劃的撰寫方法。項目涉及的底層視覺處理前沿技術可以解決生活、工業生產、軍工等領域常遇到的低質圖像復原或增強問題，同時本項目講解的研究計劃撰寫技巧可以直接幫助到同學們進行碩士和博士申請。
1、課程導師
導師介紹：梁博士
先後於CVPR、ICCV、ECCV、AAAI等國際頂級會議，以及TPAMI、TIP等國際頂級期刊上發表論文13篇
常年擔任CVPR、ICCV、ECCV、TIP等國際頂級會議及期刊的審稿人，每年審稿十餘篇
曾獲CVPR傑出審稿人獎項
擁有豐富的與國內外知名導師合作的經驗，對學術前沿及導師招生邏輯有較深的理解
研究領域：基於深度學習的底層計算機視覺任務，包括但不限於圖像增強、圖像復原等
2、科研課題
課題一：基於自適應實例歸一化的先驗圖像復原技術探究（Image Restoration with deep priors based on Adaptive Instance Normalization）
期待結果：
1、充分理解圖像復原研究領域的相關工作發展脈絡，能夠對現有方法的優缺點進行總結
2、調研學習多種圖像歸一化策略，思考其在圖像復原方向的應用場景
3、在課程期間，思考圖像復原任務中可以應用的先驗信息，同時思考如何使用自適應實例歸一化策略通過相應先驗信息對復原網絡進行正則化約束
4、撰寫相應的研究計劃
課題二：基於對比學習的深度無監督圖像超分技術探究（Deep Unsupervised Image Super-Resolution based on Contrastive Learning）
期待結果：
1、調研總結基於深度學習的圖像超分相關論文並進行總結
2、理解真實圖像超分與仿真圖像超分之間的聯繫與區別，並思考真實圖像超分面臨的技術難點
3、調研對比學習等深度無監督學習任務，思考其與真實圖像超分工作的聯繫絡進行正則化約束
4、撰寫相應的研究計劃
課題三：人類視覺感知特性引導的圖像相似度評價指標研究（Image Similarity Metrics Guided by Human Perceptions）
期待結果：
1、通過觀察課堂提供的樣例，瞭解目前圖像復原、增強方法結果的問題
2、通過對比圖像視覺效果與現有評價指標，瞭解當前指標存在的問題
3、調研圖像質量評價、相似度評價等相關文章，設計基於深度學習的更符合人類視覺特性的圖像相似度評價指標
4、撰寫相應的研究計劃
課題四：基於模型蒸餾的高效圖像復原及增強方法研究（Efficient Image Restoration and Enhancement based on Model Distillation）
期待結果：
1、充分調研當前圖像復原、增強等底層視覺方法的運行速度及複雜度，並進行總結
2、在課堂上學習工業界真實的圖像增強、復原任務需求，理解當前方法的速度短板，明確高效方法研究的重要性
3、調研思考模型蒸餾技術相關進展
4、撰寫相應的研究計劃
課題五：基於深度自注意力模型的圖像翻譯技術探究（Image-to-Image Translation based on Deep Self-Attention Model）
期待結果：
1、調研並總結圖像翻譯以及深度自注意力模型的相關進展，並分析現有圖像翻譯工作的問題
2、分析圖像翻譯任務對全局信息以及遠距離相關性的依賴性，瞭解深度自注意力模型在建模圖像遠距離相關性方面的優勢
3、撰寫相應的研究計劃
我們也鼓勵同學們發散思維，propose自己感興趣的其他科研課題。
3、項目亮點
一、課程內容嚴格打磨，市面最專業最深入
市面上沒有比我們的內容更專業深入的科研類計算機視覺項目，大部分科研項目只會講解一些機器學習、神經網絡的入門知識和算法，並不會涉及到深度學習中更深入的內容和應用。
二、項目提供的科研課題火熱前沿，有非常大的延伸可能性
本項目提供的5個科研課題，都是目前計算機視覺領域最前沿最火熱的，學生完成研究計劃後，可以將其投入後續的科研工作中，並完成1篇有創新性的高水平學術論文。
三、授人以漁的真科研項目
內容涵蓋：如何propose一個科研idea、如何找論文、如何讀論文、領域知識點的講解、研究方法的學習、撰寫1篇符合學術標準的研究計劃的方法和技巧、學術答辯的技巧等。參照實驗室教授帶研究生的模式，全程按照真正做一個科研項目的流程，讓學生邊學習邊實操，真正做到融會貫通，掌握方法論，舉一反三。
四、無需編程基礎
本項目目標是產出1篇符合學術標準的研究計劃，不需要學生有編程基礎。
4、你將獲得
1篇2000詞以上，符合學術標準的中文或英文研究計劃
課程證明及導師撰寫的學術評價
瞭解基本的深度學習、計算機視覺領域研究思路和研究方法
掌握基於深度學習的底層視覺多個子任務的基本知識
認識底層計算機視覺領域的現狀和前沿成果
對研究計劃邏輯的把握及對科研的興趣
在生活細節中分析和發現計算機視覺相關Idea的能力
模擬答辯，學會如何正確展示自己的研究成果，自如應對面試or套磁
5、適合人羣
本項目適合計算機大類、數學、電子信息工程等相關專業方向，或對於深度學習、計算機視覺有濃厚興趣，希望獲得理論提高與實踐認知的大三及以上學生。
無需具備編程基礎，希望報名的同學對於神經網絡和深度學習的基本概念有一些瞭解，如卷積、池化、歸一化、激活函數、梯度反向傳播等概念。以便提高後續學習效率。沒有相關基礎的同學，我們會提供課前預習材料給到大家。
6、未來的幫助
對升學的幫助
本課程涉及的深度學習基礎知識以及其在底層計算機視覺領域的應用，是計算機算法尤其是計算機視覺算法、機器學習領域的必備知識/進階能力，能爲有意讀計算機視覺、機器學習、人工智能等方向研究生的同學打下紮實基礎/提升保研夏令營面試/考研複試/碩士博士申請的成功率。國內外多所大學（斯坦福大學、香中文大學、清華大學等）的知名研究組都十分看重學生的這些專業背景與實踐。
對就業的幫助
本課程所涉及到的深度學習算法、圖像增強復原等底層視覺相關技術，是就業時的必備能力/是提升就業競爭力的利器。就業方向包括：
互聯網大廠（騰訊，阿里巴巴，百度，字節跳動等）計算機視覺算法工程師
硬件廠商（華爲、小米、海康威視等）底層視覺研究團隊算法工程師
AI或計算機視覺獨角獸（商湯科技、曠視科技等）算法工程師
國企、政府事業單位如電視臺等相關研究團隊工程師
●●●
本期《研究計劃訓練營》僅限30人
有意向參加可添加微信
諮詢詳情
👇👇👇
本文分享自微信公衆號 - 機器學習算法與Python實戰（tjxj666）。
如有侵權，請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”，歡迎正在閱讀的你也加入，一起分享。