祝贺实验室团队硕士生涂远鹏一篇论文“Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection”和实验室团队硕士生曲则帆一篇论文“Online Video Quality Enhancement with Spatial-Temporal Look-up Tables”被ECCV2024录用。

Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection

已有方法使用大规模数据集上预训练的模型进行缺陷检测。然而由于训练数据和目标数据之间存在的域差异，这些方法难以准确检测细微瑕疵，同时容易将正确样本误判为异常样本。因此本文提出了一种局部到全局的自监督特征适应方法，包含模态间和模态内的共同微调。广泛的实验结果证明我们的方法可以在多个数据集上取得远超已有方法的性能。

Online Video Quality Enhancement with Spatial-Temporal Look-up Tables

对于视频会议和云游戏等基于在线视频的应用来说，低延迟率至关重要，这使得提高在线场景中的视频质量变得越来越重要。然而，现有的质量增强方法受限于缓慢的推理速度和对未来帧所含时间信息的要求，直接将其部署到在线任务中具有挑战性。在本文中，我们提出了一种新的视频增强方法STLVQE，专门用于解决在线压缩视频质量增强（Online-VQE）问题。STLVQE设计了一个新的VQE框架，其中包含一个模块共享特征提取器，大大减少了冗余计算，并重新设计了网络的传播、对齐和增强模块。我们还提出了一种时空查找表结构（STL），它能提取视频中的时空信息，同时节省大量计算资源与推理时间。据我们所知，我们是第一个利用LUT结构提取视频任务中时序信息的工作。在现有的压缩视频数据集上进行的大量实验表明，我们的STLVQE在性能-速度权衡方面取得了令人满意的效果。

涂远鹏为VILL实验室2023届硕士毕业生，硕士期间发表5篇顶会顶刊论文（包括1篇IEEE TIP、2篇CVPR、1篇AAAI和1篇ECCV），现于香港大学读博。曲则帆为VILL实验室2024届硕士毕业生，硕士期间发表2篇顶会顶刊论文（包括1篇IEEE TIP和1篇ECCV），现于香港城市大学读博。在此祝愿涂远鹏曲则帆以及所有VILL的毕业学生们前程似锦、科研节节高！