深度|2017CV技术报告之图像分割、超分辨率和动作识别(3)

Semi-supervised Learning using Denoising Autoencoders for Brain Lesion Detection and Segmentation[59]
3D Ultrasound image segmentation: A Survey[60]
A Fully Convolutional Neural Network based Structured Prediction Approach Towards the Retinal Vessel Segmentation[61]
3-D Convolutional Neural Networks for Glioblastoma Segmentation[62]
其中我们最欣赏的一个准医疗分割应用为 FusionNet[63]，这是一个深度残差卷积神经网络，它可以将图像分割任务用于分析生物神经网络的连接方式，其能力与最先进的电子显微镜分割方法不相上下。
超分辨率、风格迁移与着色
并非所有计算机视觉任务都是为了去扩展机器的仿生认知能力。常常我们会发现，那些一个个走进公众的生活的新奇应用产品都使用了具有极强适应能力的神经网络以及其他机器学习技术。去年在超分辨率任务、风格迁移与图像着色的研究就是这样的例子。
超分辨率（Super-resolution）任务指的是从一个低分辨率样本上预测出一个高分辨率版本的过程，此外，它也指对图像特征在不同放大倍数情况下的预测（这一点人类大脑几乎可以不费吹灰之力就办到）。最初的超分辨任务是通过如「双三次插值法」、「最邻近规则」这样的简单技术来实现的。但是对于商业应用而言这显然不够，人们希望系统能克服因数据源质量不高而出现的分辨率低的问题，实现像电视剧《犯罪现场调查：迈阿密》中那样的图像增强技术。正是这样的愿景推动着领域研究的前进。下面列举相关方面的年度进展以及其潜在的影响：
神经增强（Neural Enhance）[65]：是 Alex J. Champandard 的项目，通过结合 4 篇不同的研究论文，他实现了自己的超分辨率方案。
Real-Time Video Super Resolution：2016 年也有两篇相关的著名论文 [66][67]。
RAISR（Rapid and Accurate Image Super-Resolution），该技术来自谷歌，通过使用由高、低分辨率图像配对而成的数据训练的过滤器，系统避免了对内存与神经网络速度的高度依赖。作为一个基于学习的框架，RAISR 比其竞争对手快了两个数量级。此外，相较于基于神经网络的方法，系统的内存需求达到了最低。因此超分辨率技术可以扩展到移动设备上。[69]