来源：投稿 作者：王老师
编辑：学姐

论文1

论文标题： Learning Semantic-Aware Knowledge Guidance for Low-Light Image Enhancement

论文链接： https://arxiv.org/pdf/2304.07039v1.pdf
代码链接： https://github.com/langmanbusi/semantic-aware-low-light-image-enhancement

作者单位：电子科技大学 & 新加坡南洋理工

发表于CVPR2023

微光图像增强（Low-light image enhancement，LLIE）研究如何提高照明并生成正常光图像。现有的大多数方法都是通过全局和统一的方式来改善低光图像，而不考虑不同区域的语义信息。如果没有语义先验，网络可能很容易偏离区域的原始颜色。为了解决这个问题，我们提出了一种新的语义感知知识引导框架（semantic-aware knowledge-guided framework SKF），该框架可以帮助弱光增强模型学习语义分割模型中封装的丰富多样的先验。我们专注于从三个关键方面整合语义知识：一个语义感知嵌入模块，它在特征表示空间中明智地集成了语义先验，一个语义引导的颜色直方图损失，它保持了各种实例的颜色一致性，以及一个语义导导的对抗性损失，它通过语义先验产生更自然的纹理。我们的SKF作为LLIE任务的通用框架具有吸引力。大量实验表明，配备SKF的模型在多个数据集上显著优于基线，并且我们的SKF很好地推广到不同的模型和场景。

论文2

论文标题： Efficient Semantic Segmentation by Altering Resolutions for Compressed Videos

论文链接：https://arxiv.org/abs/2303.07224
代码链接：https://github.com/THU-LYJ-Lab/AR-Seg 作者单位：清华大学 & 东南高等研究院

发表于CVPR2023

由于高帧率视频的每帧预测，视频语义分割（Video semantic segmentation VSS）是一项计算成本高昂的任务。在最近的工作中，已经提出了用于高效VSS的紧凑模型或自适应网络策略。然而，他们没有考虑从输入端影响计算成本的一个关键因素：输入分辨率。在本文中，我们为压缩视频提出了一种称为AR-Seg的可变分辨率框架，以实现高效的VSS。AR Seg旨在通过对非关键帧使用低分辨率来降低计算成本。为了防止下采样导致的性能下降，我们设计了一个跨分辨率特征融合（Cross Resolution Feature Fusion CReFF）模块，并用一种新的特征相似性训练（Feature Similarity Training FST）策略对其进行监督。具体而言，CReFF首先利用压缩视频中存储的运动向量将特征从高分辨率关键帧扭曲到低分辨率非关键帧，以实现更好的空间对齐，然后利用局部注意力机制选择性地聚集扭曲的特征。此外，所提出的FST通过来自共享解码层的显式相似性损失和隐式约束来监督具有高分辨率特征的聚合特征。在CamVid和Cityscapes上进行的大量实验表明，AR Seg实现了最先进的性能，并与不同的分割主干兼容。在CamVid上，使用PSPNet18主干，AR Seg节省了67%的计算成本（以GFLOP测量），同时保持了高分割精度。

论文3

论文标题： Label-Free Liver Tumor Segmentation

论文链接： https://arxiv.org/abs/2303.14869
代码链接：https://github.com/MrGiovanni/SyntheticTumors

作者单位：华中科技大学 & 香港中文大学-深圳 & 约翰霍普金斯大学 & 南京医科大学第一附属医院

发表于CVPR2023

我们证明，通过在CT扫描中使用合成肿瘤，人工智能模型可以准确地分割肝脏肿瘤，而无需手动注释。我们的合成肿瘤有两个有趣的优势：（I）形状和质地逼真，即使是医学专业人员也会将其与真实肿瘤混淆；（二） 对于训练人工智能模型是有效的，人工智能模型可以执行与在真实肿瘤上训练的模型类似的肝脏肿瘤分割。这一结果令人兴奋，因为到目前为止，没有任何现有的工作，仅使用合成肿瘤，达到与真实肿瘤相似甚至接近的性能。这一结果还意味着，未来可以显著减少逐体素注释肿瘤的手动工作（需要数年时间才能创建）。此外，我们的合成肿瘤可以自动生成许多小（甚至微小）合成肿瘤的示例，并有可能提高检测小肝癌的成功率，这对于检测癌症的早期阶段至关重要。除了丰富训练数据，我们的合成策略还使我们能够严格评估人工智能的稳健性

关注下方《学姐带你玩AI》🚀🚀🚀

回复“CVPR”获取CV方向顶会必读论文

码字不易，欢迎大家点赞评论收藏！