时间： 2021年11月18日（周四） 09 : 30
地点： 望江校区基础教学楼B座318实验室
研读成员： 周锋 明章强
Part1
分享者： 周锋
分享内容：
[1] Narechania, Arpit & Coscia, Adam & Wall, Emily & Endert, Alex. (2021). Lumos: Increasing Awareness of Analytic Behavior during Visual Data Analysis. IEEE Transactions on Visualization and Computer Graphics. PP. 1-1. 10.1109/TVCG.2021.3114827.
[2] Yijie Hou, Chengshun Wang, Junhong Wang, Xiangyang Xue, Xiaolong Zhang, Jun Zhu, Dongliang Wang, Siming Chen. Visual Evaluation for Autonomous Driving[J]. IEEE Transactions on Visualization and Computer Graphics, 2021.
论文简介：
[1]本文提出了Lumos系统，这是一个可视化的数据分析工具，可以捕获并显示与数据的交互历史，以提高对这种分析行为的意识。使用原位（在交互的地方）和非原位（在外部视图）可视化技术，Lumos为用户提供实时反馈，以反映他们的分析和交互活动。例如，Lumos突出显示以前在同一可视化视图中（原位）中检查过的数据点，并在单独的可视化视图（非原位）中将它们覆盖在原始数据分布上。通过一项有24名参与者的用户研究，我们调查了Lumos如何帮助用户进行数据探索和决策过程。结果发现，Lumos提高了用户对实时可视化数据分析实践的意识，促进了对自己分析意图的反思和确认，并潜在地影响了后续的交互。
[2] 本文提出了一种自动驾驶视觉可视化方法。该方法考虑了自动驾驶过程中各个模块产生的数据，包括感知结果、规划路线、障碍物预测、各种控制参数和舒适度评价。本文开发了一个可视化分析工作流来集成一个具有可调参数的评估数学模型，支持从整体性能水平到单个组件的详细测量水平的系统评估，并显示评估分数及其影响因素。本文实现的可视化分析系统在开始时提供了一个概述评估分数，并显示了分数在每个时期的动态变化的动画。专家可以交互式地探索不同时期的具体模块，并识别相关因素。通过该方法，领域专家不仅可以了解自动驾驶系统的性能，还可以识别和访问每个模块中存在问题的部分。该视觉评估系统可以应用到自动驾驶仿真系统中，并用于各种评估案例。在一些仿真案例中使用该系统的结果，以及来自相关领域专家的反馈，证实了该方法在帮助人们深入了解自动驾驶系统方面的有效性和效率。
Part2
分享者： 明章强
分享内容：
[1] Chen Z, Long C, Zhang L, et al. CANet: A Context-Aware Network for Shadow Removal[C] //Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 4743-4752.
[2] Zhang L, Long C, Zhang X, et al. Ris-gan: Explore residual and illumination with generative adversarial networks for shadow removal[C] //Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(07): 12829-12836.
论文简介：
[1]阴影是光线被部分或完全阻挡时出现的一种自然现象。作为计算机视觉领域的一项基本挑战，图像或视频中阴影的不可避免地降低了视觉任务的准确性和有效性，例如固有图像分解、视觉识别，目标检测和跟踪，轨迹预测等。然而，由于几何和光照之间复杂的相互作用，阴影去除仍然是一个具有挑战性的问题。本文提出用于阴影去除的两阶段上下文感知网络(CANet)。第一阶段，给定阴影图像，获得阴影区块与非阴影区块上下文的匹配信息，通过上采样和残差块消除L通道和A/B通道的阴影；第二阶段，设计DenseUNet网络，将阴影图像、L通道和A/B通道的信息结合，生成高质量的阴影消除图像。大量的实验验证CANet的方法具有有效性和先进性，并且可以扩展到其他计算机视觉任务。
[2] 阴影是一种无处不在的自然现象，当光线被部分或完全遮挡时就会出现阴影。阴影的存在使一些计算机视觉任务的如目标跟踪、物体检测和识别，图像分割和内在图像分解的准确性和有效性下降。因此，去除阴影以提高图像和视频编辑的视觉效果是非常有必要的工作。然而，由于光照变化、纹理变化和其他环境因素的影响，在复杂场景中去除阴影仍是一个非常具有挑战性的问题。本文提出一种阴影消除的残差和光照生成对抗网络(RIS-GAN)，RIS-GAN由四个具有编码器-解码器结构的生成器和三个判别器组成。给定输入阴影图像，前三个生成器分别用于生成负残差图像、粗粒度的阴影去除图像、逆光照图像。通过将输入阴影图像和负残差图像按元素相加得到间接残差阴影去除图像。将输入阴影图像和逆光照图像按元素相乘得到间接光照阴影去除图像，最后将粗粒度阴影去除图像、间接残差和光照阴影去除图像输入到第四个生成器中，以生成更精细化的阴影去除图像。大量的实验证明将残差和光照纳入阴影去除的优势。
