IEEE TPAMI

From Zero to Detail: A Progressive Spectral Decoupling Paradigm for UHD Image Restoration with New Benchmark

从零到细节：一种渐进式频谱解耦范式用于超高清图像修复的新基准

Chen Zhao, Yunzhe Xu, Zhizhou Chen, Enxuan Gu, Kai Zhang, Xiaoming Liu, Jian Yang, Ying Tai

机构 * State Key Laboratory of Novel Software Technology, Nanjing University（新型软件技术国家重点实验室，南京大学） ； Department of Computer Science and Engineering, Michigan State University（计算机科学与工程系，密歇根州立大学） ； School of Computer Science and Technology, Dalian University of Technology（计算机科学与技术学院，大连理工大学） 纠错

AI总结 本文提出渐进式频谱解耦范式，通过零频增强、低频修复和高频细化三个阶段提升超高清图像修复效果，并构建了高质量基准数据集LSUHDIR。

Comments TPAMI

Comparison Study: Glacier Calving Front Delineation in Synthetic Aperture Radar Images With Deep Learning

比较研究：利用深度学习在合成孔径雷达图像中进行冰川崩解前端 delineation

Nora Gourmelon, Konrad Heidler, Erik Loebel, Daniel Cheng, Julian Klink, Anda Dong, Fei Wu, Noah Maul, Moritz Koch, Marcel Dreier, Dakota Pyles, Thorsten Seehaus, Matthias Braun, Andreas Maier, Vincent Christlein

机构 * Department of Computer Science, Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃朗根-纽伦堡大学计算机科学系） ； School of Engineering and Design, Technische Universität München（慕尼黑技术大学工程与设计学院） ； Institut für Planetare Geodäsie, Technische Universität Dresden（德累斯顿技术大学行星大地测量研究所） ； Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室） ； Institut für Geographie, Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃朗根-纽伦堡大学地理研究所） 纠错

AI总结 本研究比较了深度学习系统在合成孔径雷达图像中进行冰川崩解前端 delineation 的性能，发现深度学习系统存在高达221米的误差，而人工标注者误差仅为38米，凸显了进一步研究的必要性。

Comments Accepted as short paper in IEEE Transactions on Pattern Analysis and Machine Intelligence