在计算机视觉，图像处理和计算机图形学中，图像平滑过滤是一个非常基本和重要的任务，并预期拥有良好的边缘保留平滑性。在这里，我们解决了需要改进许多流行的局部平滑滤波器的边缘保存能力的问题。在本文中，我们提出了图像边缘恢复滤波器（ERF）以恢复局部平滑滤波器的输出中的模糊边缘像素清晰。可以在许多局部平滑滤波器（例如盒式滤波器，高斯滤波器，双边滤波器，引导过滤器等）之后实现所提出的滤波器。 “原始局部平滑滤光片+ ERF”的组合具有比原始局部平滑滤波器更好的边缘保持平滑性。图像平滑的实验，图像去噪和图像增强展示了所提出的滤波器的优异边缘恢复能力，以及“原始局部平滑滤光片+ ERF”的组合的良好边缘平滑性。拟议的滤波器将有益于各种各样的应用，鉴于平滑过滤是高频繁使用和基本操作的影响。

As an excellent local filter, guided image filters are subject to halo artifacts. In this paper, the algorithm uses gradient information to accurately determine the edge of the image, and uses the weighted information to further accurately distinguish the flat area and edge area of the image. As a result, the edges of the image are sharper and the level of blur in flat areas is reduced, avoiding halo artifacts caused by excessive blurring near edges. Experiments show that the proposed algorithm can better suppress halo artifacts at the edges. The proposed algorithm has good performance in both image denoising and image detail enhancement.

Bilateral filtering smooths images while preserving edges, by means of a nonlinear combination of nearby image values. The method is noniterative, local, and simple. It combines gray levels or colors based on both their geometric closeness and their photometric similarity, and prefers near values to distant values in both domain and range. In contrast with filters that operate on the three bands of a color image separately, a bilateral filter can enforce the perceptual metric underlying the CIE-Lab color space, and smooth colors and preserve edges in a way that is tuned to human perception. Also, in contrast with standard filtering, bilateral filtering produces no phantom colors along edges in color images, and reduces phantom colors where they appear in the original image.

深度信息在许多图像处理应用程序中是有用的。然而，由于拍摄图像是在2D成像传感器上投射3D场景的过程，因此深度信息嵌入图像中。从图像中提取深度信息是一个具有挑战性的任务。引导原理是由于散焦引起的蓝色水平与物体和焦平面之间的距离有关。基于该原理和广泛使用的假设，即高斯模糊是散焦模糊的良好模型，我们制定了作为高斯模糊分类问题的空间变化散焦模糊的问题。我们通过培训深度神经网络来解决图像补丁中的20级蓝色蓝色之一来解决问题。我们创建了一个超过500000美元的尺寸为32 \ times32 $的数据集，用于培训和测试几种知名网络模型。我们发现MobileNetv2由于其较低的内存要求和高精度而适用于此应用。训练模型用于确定通过施加迭代加权引导滤波器来改进的贴剂模糊。结果是散焦图，其携带每个像素的模糊度的信息。我们将提出的方法与最先进的技术进行比较，我们展示了其在自适应图像增强，散焦倍率和多聚焦图像融合中的成功应用。

We propose a new measure, the method noise, to evaluate and compare the performance of digital image denoising methods. We first compute and analyze this method noise for a wide class of denoising algorithms, namely the local smoothing filters. Second, we propose a new algorithm, the non local means (NL-means), based on a non local averaging of all pixels in the image. Finally, we present some experiments comparing the NL-means algorithm and the local smoothing filters.

在本文中，提出了一种颜色边缘检测方法，其中使用多尺度Gabor滤波器从输入颜色图像获得边缘。该方法的主要优点是在保持良好的噪声稳健性的同时，达到了高边缘检测精度。提出的方法包括三个方面：首先，RGB颜色图像由于其宽阔的着色区域和均匀的颜色分布而转换为CIE L*A*B*空间。其次，使用一组Gabor过滤器来平滑输入图像，并提取了色边缘强度图，并将其融合到具有噪声稳健性和准确边缘提取的新ESM中。第三，将熔融ESM嵌入精美探测器的途径中会产生噪声颜色边缘检测器。结果表明，所提出的检测器在检测准确性和噪声过程中具有更好的经验。

多尺度处理对于图像处理和计算机图形至关重要。光环是多尺度处理中的核心问题。通过扩展Laplacian金字塔以具有边缘保留特性，几种边缘保护分解可以解决局部拉普拉斯滤波（LLF）。它的处理成本很高；因此，提出了快速LLF的近似加速度，以线性插值多个拉普拉斯金字塔。本文通过傅立叶系列扩展进一步提高了精度，称为傅立叶LLF。我们的结果表明，对于相同数量的金字塔，傅立叶LLF具有更高的精度。此外，傅立叶LLF表现出用于内容自适应过滤的参数自适应性能。该代码可在以下网址获得：https：//norishigefukushima.github.io/gaussianfourierpyramid/。

在过去十年的卷积神经网络（CNNS）中已经限定了本领域的状态，用于许多低级图像处理和恢复任务，例如去噪，去散，升高或染色。然而，设备上的移动摄影仍然由传统的图像处理技术主导，并且主要使用简单的机器学习技术或限制神经网络处理以产生低分辨率掩模。 CNN的高计算和内存要求，移动设备的有限处理电源和热约束，与大输出图像分辨率相结合（通常为8--12 mpix），防止其更广泛的应用。在这项工作中，我们介绍程序内核网络（PKN），一系列机器学习模型，它生成图像滤波器内核或其他传统算法的参数。轻量级CNN以较低的分辨率处理输入图像，与其他基于内核的机器学习方法相比，它会产生显着的加速，并允许新的应用程序。该架构是以端到端学习的，特别适用于各种低级图像处理任务，在那里它提高了许多传统算法的性能。我们还描述了该框架如何统一一些以前的工作应用机器学习，以便进行常见的图像恢复任务。

在本文中，我们解决了逆转图像滤波器效果的新问题，该图像过滤器可以是线性的或非线性的。假设是滤波器的算法未知，滤波器可作为黑框。我们为最小化本地补丁的成本函数和使用总衍生物来近似于梯度下降以解决问题的渐变来制定该逆问题。我们分析影响傅里叶域中输出的收敛和质量的因素。我们还研究加速梯度下降算法在三个无梯度的反向滤波器中的应用，包括本文提出的较方案。我们提出了广泛的实验结果，以评估所提出的算法的复杂性和有效性。结果表明，所提出的算法优于现有技术（1），它与最快的反向滤波器的复杂程度相同，但它可以反转更多数量的滤波器，并且（2）它可以反转与非常复杂的反滤波器的过滤器相同的滤波器列表，但其复杂性要小得多。

网状denoising是数字几何处理中的基本问题。它试图消除表面噪声，同时尽可能准确地保留表面固有信号。尽管传统的智慧是基于专门的先验来平稳表面的，但基于学习的方法在概括和自动化方面取得了巨大的成功。在这项工作中，我们对网格denoising的进步进行了全面的综述，其中包含传统的几何方法和最近的基于学习的方法。首先，要熟悉读者的denoising任务，我们总结了网格denoising中的四个常见问题。然后，我们提供了两种现有的脱氧方法的分类。此外，分别详细介绍和分析了三个重要类别，包括优化，过滤器和基于数据驱动的技术。说明了定性和定量比较，以证明最先进的去核方法的有效性。最后，指出未来工作的潜在方向来解决这些方法的共同问题。这项工作还建立了网格denoising基准测试，未来的研究人员将通过最先进的方法轻松方便地评估其方法。

本文介绍了一种来自单个离焦图像的边缘散焦模糊估计方法。我们首先将位于深度不连续（称为深度边缘的边缘）的边缘区分从近似恒定的深度区域（称为模糊估计的被称为模糊估计的图案边缘）的边缘中的深度不连续性（含义模糊估计是模糊的）。然后，我们仅估计图案边缘的散焦模糊量，并探索基于引导滤波器的内插方案，该导向滤波器防止检测到的深度边缘的数据传播，以获得具有明确定义的对象边界的密集模糊图。两个任务（边缘分类和模糊估计）由深度卷积神经网络（CNNS）执行，该网络（CNN）共享权重以从边缘位置为中心的多尺度补丁学习有意义的本地特征。在自然散焦的图像上的实验表明，该方法提出了优异的最先进（SOTA）方法的定性和定量结果，在运行时间和准确度之间具有良好的折衷。

多传感器融合被广泛用于自动驾驶汽车的环境感知系统。它解决了由环境变化引起的干扰，并使整个驾驶系统更安全，更可靠。在本文中，提出了一种基于纹理信息的新型可见和近红外融合方法，以增强非结构化的环境图像。它针对传统可见和近红外图像融合方法中的工件，信息丢失和噪声问题。首先，通过相对总变化（RTV）计算，可见图像（RGB）的结构信息（RGB）和近红外图像（NIR）作为融合图像的基础层；其次，建立了贝叶斯分类模型来计算噪声重量和可见图像中的噪声信息和噪声信息通过关节双侧滤波器自适应过滤；最后，融合图像是通过颜色空间转换获得的。实验结果表明，所提出的算法可以保留光谱特性和无伪影和颜色失真的可见和近红外图像的独特信息，并且具有良好的鲁棒性以及保留独特的质地。

兴趣点检测是计算机视觉和图像处理中最根本，最关键的问题之一。在本文中，我们对图像特征信息（IFI）提取技术进行了全面综述，以进行利益点检测。为了系统地介绍现有的兴趣点检测方法如何从输入图像中提取IFI，我们提出了IFI提取技术的分类学检测。根据该分类法，我们讨论了不同类型的IFI提取技术以进行兴趣点检测。此外，我们确定了与现有的IFI提取技术有关的主要未解决的问题，以及以前尚未讨论过的任何兴趣点检测方法。提供了现有的流行数据集和评估标准，并评估和讨论了18种最先进方法的性能。此外，还详细阐述了有关IFI提取技术的未来研究方向。

图像平滑是一项基本的低级视觉任务，旨在保留图像的显着结构，同时删除微不足道的细节。图像平滑中已经探索了深度学习，以应对语义结构和琐碎细节的复杂纠缠。但是，当前的方法忽略了平滑方面的两个重要事实：1）受限数量的高质量平滑地面真相监督的幼稚像素级回归可能会导致域的转移，并导致对现实世界图像的概括问题； 2）纹理外观与对象语义密切相关，因此图像平滑需要意识到语义差异以应用自适应平滑强度。为了解决这些问题，我们提出了一个新颖的对比语义引导的图像平滑网络（CSGIS-NET），该网络在促进强大的图像平滑之前结合了对比的先验和语义。通过利用不希望的平滑效应作为负面教师，并结合分段任务以鼓励语义独特性来增强监督信号。为了实现所提出的网络，我们还使用纹理增强和平滑标签（即VOC-Smooth）丰富了原始的VOC数据集，它们首先桥接图像平滑和语义分割。广泛的实验表明，所提出的CSGI-NET大量优于最先进的算法。代码和数据集可在https://github.com/wangjie6866/csgis-net上找到。

现有的图像增强方法无法达到预期，因为由于它们很难同时改善全球和本地图像对比度。为了解决这个问题，我们提出了一种基于直方图均衡的方法，该方法适应了亮度增强的数据依赖性要求，并提高了细节的可见性，而不会失去全局对比度。该方法将图像上下文提供的空间信息包含在密度估计中，以进行判别直方图均衡。为了最大程度地减少非均匀照明的不利影响，我们建议根据用边缘保留平滑估计的图像反射率来定义空间信息。我们的方法特别适合确定应如何调整背景亮度，并揭示隐藏在黑暗中的有用图像细节。

针对现有的单一图像雾度去除算法，其基于现有知识和假设，受到实际应用中的许多限制，并且可能遭受噪声和光晕放大。本文提出了端到端系统，以通过结合先前的知识和深度学习方法来减少缺陷。雾度图像首先通过加权引导图像滤波器（WGIF）分解到基础层和细节层中，并且从基层估计偶极。然后，基础层图像被传递到高效的深卷积网络，用于估计传输映射。为了在不放大天空或严重朦胧场景中完全放大噪声的情况下恢复接近相机的物体，基于传输映射的值提出自适应策略。如果像素的传输映射很小，则最终使用雾度图像的基层通过大气散射模型恢复无雾图像。否则，使用雾霾图像。实验表明，该方法对现有方法实现了卓越的性能。

作为3D数据的流行表示，点云可能包含噪声，并且需要在使用前过滤。现有点云过滤方法不能在滤波输出中保留尖锐的功能或导致不均匀的点分布。为了解决这个问题，本文介绍了一种点云过滤方法，在过滤期间考虑点分布和功能保存。关键的想法是将排斥项包含在能量最小化中的数据项。排斥项负责点分布，而数据项是在保留几何特征的同时近似噪声表面。该方法能够处理具有微尺度特征和尖锐功能的型号。广泛的实验表明，我们的方法在几秒钟内以更均匀的点分布产生更好的结果，更均匀的点分布（5.8美元\ times10 ^ {5} $倒角距离）。

This paper presents a novel intrinsic image transfer (IIT) algorithm for illumination manipulation, which creates a local image translation between two illumination surfaces. This model is built on an optimization-based framework consisting of three photo-realistic losses defined on the sub-layers factorized by an intrinsic image decomposition. We illustrate that all losses can be reduced without the necessity of taking an intrinsic image decomposition under the well-known spatial-varying illumination illumination-invariant reflectance prior knowledge. Moreover, with a series of relaxations, all of them can be directly defined on images, giving a closed-form solution for image illumination manipulation. This new paradigm differs from the prevailing Retinex-based algorithms, as it provides an implicit way to deal with the per-pixel image illumination. We finally demonstrate its versatility and benefits to the illumination-related tasks such as illumination compensation, image enhancement, and high dynamic range (HDR) image compression, and show the high-quality results on natural image datasets.

实际图像的稀疏表示是成像应用的非常有效的方法，例如去噪。近年来，随着计算能力的增长，利用一个或多个图像提取的补丁内冗余的数据驱动策略，以增加稀疏性变得更加突出。本文提出了一种新颖的图像去噪算法，利用了由量子多体理论的图像依赖性的基础。基于补丁分析，通过类似于量子力学的术语来形式化局部图像邻域中的相似度测量，可以有效地保留真实图像的局部结构的量子力学中的相互作用。这种自适应基础的多功能性质将其应用范围扩展到图像无关或图像相关的噪声场景，而无需任何调整。我们对当代方法进行严格的比较，以证明所提出的算法的去噪能力，无论图像特征，噪声统计和强度如何。我们说明了超参数的特性及其对去噪性能的各自影响，以及自动化规则，可以在实验设置中选择其值的自动化规则，其实际设置不可用。最后，我们展示了我们对诸如医用超声图像检测应用等实际图像的方法处理实际图像的能力。

In this new computing paradigm, named quantum computing, researchers from all over the world are taking their first steps in designing quantum circuits for image processing, through a difficult process of knowledge transfer. This effort is named Quantum Image Processing, an emerging research field pushed by powerful parallel computing capabilities of quantum computers. This work goes in this direction and proposes the challenging development of a powerful method of image denoising, such as the Total Variation (TV) model, in a quantum environment. The proposed Quantum TV is described and its sub-components are analysed. Despite the natural limitations of the current capabilities of quantum devices, the experimental results show a competitive denoising performance compared to the classical variational TV counterpart.