论文链接：https://arxiv.org/abs/2204.00442 摘要 基于范例的图像翻译在来自于不同域的条件输入和范例图像之间建立密集的对应关系，旨在使用详细的范例风格实现真实的图像翻译。现有的研究通过最小化两个域的特征集距离，隐式的建立跨域对应。然而，这些方法由于没有明确利用域不变特征，因此可能不能有效减小域间隔，从而导致经常出现次优的对应和图像翻译。我们设计了一个边缘对比学习网

SGM(Semi-Global Matching)原理： SGM的原理在wiki百科和matlab官网上有比较详细的解释： wiki matlab 如果想完全了解原理还是建议看原论文 paper（我就不看了，懒癌犯了。） 优质论文解读和代码实现 一位大神自己用c++实现的SGM算法github 先介绍两个重要的参数： 注：这一部分参考的是matlab的解释，后面的部分是参考的opencv的实现，

SGM(Semi-Global Matching)原理： SGM的原理在wiki百科和matlab官网上有比较详细的解释： wiki matlab 如果想完全了解原理还是建议看原论文 paper（我就不看了，懒癌犯了。） 优质论文解读和代码实现 一位大神自己用c++实现的SGM算法github 先介绍两个重要的参数： 注：这一部分参考的是matlab的解释，后面的部分是参考的opencv的实现，

（机翻） 贡献： 1.提出了一种通用的视差注意机制来学习在无监督方式下具有大视差变化的图像对的立体对应关系 2.PAM被成功地应用于两个特定的任务：立体匹配和立体图像SR。我们基于PAM的网络在立体匹配和立体图像SR方面都实现了最先进的性能。 3.提出了一种用于训练立体图像SR网络的Flickr数据集Flickr1024。这个数据集由1024个高质量的立体声图像对组成，并涵盖了各种场景。 2

注意，本博客非逐字逐句翻译论文，是作者阅读论文后根据自己的理解所写，预知论文详情，请参阅论文原文。 论文标题：Learning with Noisy Correspondence for Cross-modal Matching； 作者：Zhenyu Huang，Guocheng Niu，Xiao Liu，Wenbiao Ding，Xinyan Xiao，Hua Wu，Xi Peng； Co

出自ECCV2020 文章思路 这篇文章的出发点是：帧间和帧内中存在很多相似的内容，如何有效的利用这些内容上的相似性去超分目标帧。这种相似性如下图所示： 基于此，作者提出了一个temporal multi-correspondence aggregation module（TM-CAM）以利用帧间内容上的相似性， cross-scale nonlocal-correspondence ag

论文链接：https://arxiv.org/abs/2007.11803代码：https://github.com/Jia-Research-Lab/Simple-SRECCV2020 前言 当前VSR算法所存在的问题：1）通常采用光流来建立时间相关性，但是光流估计易有误，从而影响重建结果；2）VSR算法极少采用自然图像中本就存在的相似模式。 之前的VSR算法对对齐和回归两个阶段单独建模，本