韭菜花音乐|2020 五项大奖出炉！李飞飞高徒、徒孙共摘最佳论文奖，ECCV( 二 ) 原创陈大鑫AI科技评论前天作者|陈大鑫

论文链接：https://arxiv.org/pdf/2003.08934.pdf
论文摘要：
我们提出了一种通过使用稀疏输入视图集优化底层连续体积场景函数来获得合成复杂场景新视图的方法，这种方法取得了SOTA结果。
【韭菜花音乐|2020 五项大奖出炉！李飞飞高徒、徒孙共摘最佳论文奖，ECCV】我们的算法使用一个全连接（非卷积）的深度网络来表示场景，其输入是一个单连续的5D坐标（空间位置（x ， y ， z）和观察方向（θ ， φ）），其输出是该空间位置的体积密度和视景相关的发射辐射。我们通过查询沿相机光线的5D坐标来合成视图，并使用经典的体积绘制技术将输出的颜色和密度投影到图像中。因为体积绘制是自然可微的，所以优化表征的唯一输入是一组已知相机姿态的图像。我们描述了如何有效地优化神经辐射场，以渲染具有复杂几何和外观的真实感场景的新视图，并展示了优于先前神经渲染和视图合成的结果。视图合成结果最好以视频形式查看，因此我们敦促读者观看我们的补充视频，以便进行令人信服的比较。最佳论文奖委员：3Koenderink奖Koenderink奖表彰在计算机视觉领域有重大贡献且发表在十年前并经得十年时间检验的论文， 2020年Koenderink奖授予以下两篇论文：1、《ImprovingtheFisherKernelforLarge-ScaleImageClassification》论文链接：https://lear.inrialpes.fr/pubs/2010/PSM10/PSM10_0766.pdf论文摘要：Fisher内核（FK）是一个通用框架，它结合了生成和区分方法的优点。在图像分类的背景下， FK被证明超越了计数统计，扩展了流行的视觉单词包（BOV）。然而，在实践中，这种丰富的代表性还没有显示出它优于BOV 。在第一部分中，我们展示了在原始框架的基础上，通过一些动机良好的修改，我们可以提高FK的准确性。在PASCALVOC2007上，我们将平均精度（AP）从47.9%提高到58.3% 。同样，我们在CalTech256上展示了SOTA的精确度。一个主要的优点是这些结果只使用SIFT描述符和无代价线性分类器获得。有了这种表示法，我们现在可以在更大范围内探索图像分类。
在第二部分中，作为应用，我们比较了ImageNet和flickrgroups这两个丰富的标记图像资源来学习分类器。在一项涉及数十万个训练图像的评估中，我们发现在Flickr组中学习的分类器表现得出奇地好（尽管它们并不是用于此目的），而且它们可以补充在更仔细注释的数据集上学习的分类器。
2、《Brief：Binaryrobustindependentelementaryfeatueres》论文链接：https://www.cs.ubc.ca/~lowe/525/papers/calonder_eccv10.pdf论文摘要：
我们建议使用二进制字符串作为一个有效的特征点描述符，我们称之为BRIEF 。我们表明，即使使用相对较少的比特，它仍然具有很高的分辨力，并且可以通过简单的强度差分测试来计算。此外，可以使用汉明距离来评估描述符相似度，这是非常有效的计算，而不是像通常所用的L2范数。
因此， BRIEF的构建和匹配都非常快。我们将其与标准基准测试中的SURF和U-SURF进行了比较，结果表明它产生了相似或更好的识别性能，而运行时间只需其中一个的一小部分。
4Mark奖该年度奖项授予在计算机视觉社区对其他成员做出重大自我贡献的研究者或研究团队。该奖项被创立一是为了纪念在2012年逝去的MarkEveringham ，二是为了鼓励其他人追随他的脚步通过在计算机视觉领域做出更加深远贡献。 MarkEveringham最被人所熟知的贡献是他是PASCALVOC数据集和挑战赛的发起人。该奖项被授予ICCV和ECCV ，获奖人会经PAMI-TC奖委员评选。
今年首先获得PAMIMarkEveringham奖的是AntonioTorralba和多数据集的合作者,以表彰他们持续了十多年定期发布新的数据集和创建这些数据集的新方法。这些数据集包含Tinyimages ， SUN/SUN-3D ， MIT-Places ，创建数据集新方法的工具包括LabelMe ，它们已经在视觉领域影响深远。