首页 >> 期刊动态 >> 正文

《中国图象图形学报》专刊征文——“基于深度学习的恶劣环境图像增强”

作者:来源:《中国图象图形学报》官网发布时间:2021/4/15 9:49:15浏览量:378

更多学术信息,请关注计算机期刊网官方微信公众号“智刊IT”

本信息来源于《中国图象图形学报》官网(http://www.cjig.cn/jig/ch/index.aspx), 所有信息最终解释权归《中国图象图形学报》所有.

本网站所有转载的文章、图片、视频、音频文件等资料版权归版权所有人所有,本站转载文章均出于非营利目的的、非商业性的教育和科研目的,本站采用的非本站原创文章及图片等内容无法一一与版权者联系,如果本站所选用内容的文章作者及编辑认为其作品不宜上网供大家浏览,或不应无偿使用,请及时用电子邮件或电话通知我们,我们会立即删除,避免给双方造成不必要的经济损失。

《中国图象图形学报》专刊征文——“基于深度学习的恶劣环境图像增强”

计算机视觉在户外交通导航、安防监控、目标检测及水下探测、目标识别等领域具有广泛应用。清晰的图像画面对于计算机视觉获取正确的图像信息至关重要。然而在各种恶劣成像条件(如雾、霾、沙尘、雨雪等恶劣天气及海洋等弱光低照环境)下,受光照及各种介质的影响,户外或水下计算机视觉系统所采集图像通常存在严重颜色失真,且场景模糊、清晰度差,严重影响其应用并制约相关领域研究。

因此,如何通过后期算法对各种恶劣环境下的降质图像进行增强和复原处理受到人们的高度重视。随着深度卷积神经网络和生成对抗神经网络等深度学习技术在图像分类、图像识别等领域的广泛应用,深度学习在图像去雾、图像去雨、水下图像清晰化及弱光低照图像增强等方面的应用研究也受到人们的高度关注,成为近年来这一领域的研究热点。

为了更好地推动基于深度学习的恶劣环境图像增强理论、技术与应用的发展,及时记录我国学者在相关领域的最新研究进展,《中国图象图形学报》拟于2022年4月出版“基于深度学习的恶劣环境图像增强”专刊(正刊发表,CCF推荐中文核心期刊),欢迎计算机视觉、图像处理等相关领域的科研人员及企业同仁踊跃投稿。

专刊题目

基于深度学习的恶劣环境图像增强

一、    征文范围

本专刊主要包括(但不限于)以下相关主题:

1)  基于深度学习的雾霾图像增强与复原方法

2)  基于深度学习的沙尘图像增强与复原方法

3) 基于深度学习的雨/雪图像增强与复原方法

4) 基于深度学习的弱光低照图像增强与复原方法

5) 基于深度学习的水下图像增强与复原方法

6) 图像质量评价方法

7) 其他方法/类型的低质量图像增强

二、专刊主编

         北京航空航天大学

         电子科技大学

操晓春   研究员   中国科学院信息工程研究所

山世光   研究员   中国科学院计算技术研究所

三、专刊编委(按姓名首字母排序)

石争浩       西安理工大学

潘金山       南京理工大学     

刘家瑛  副教授   北京大学

胡海苗  副教授   北京航空航天大学

任文琦  副研究员   中国科学院信息工程研究所

四、稿件类型:

1. 综述:对某一领域近年国内外研究成果的深度总结、梳理、思考、展望等;

2. 前沿进展:对某一领域最新研究成果、前沿理论、技术方法等的总结和思考;

3. 研究论文:提出科学问题,分析研究思路,验证方法有效性;

4. 数据论文:重点介绍有价值的原创数据集,建议文章包含但不限于数据集属性、构建方法、评估与验证、可使用方向等。

五、投稿须知:

1. 投稿方式:采用《中国图象图形学报》官网“在线投稿”(http://www.cjig.cn/)进行投稿。投稿时请选择“恶劣图像增强专刊”栏目,提交稿件时在题目后 +“恶劣图像增强专刊”字样。

2. 稿件格式:参照《中国图象图形学报》体例和模板进行撰写(http://www.cjig.cn/jig/ch/reader/view_news.aspx?id=20130702100533001

3. 投稿论文未在正式出版物上发表过,不存在一稿多投现象,保证投稿文章的合法性(无抄袭、剽窃、侵权等不良行为),投稿后需签署论文版权转让和保密审查证明。

4. 专刊投稿论文不收取审理费。录用刊发论文收取版面费。发表之后,将按照学报标准支付稿酬,并赠送样刊。

六、重要时间:

截稿时间:2021年8月31日

同行评议返回时间:2021年11月初

拟出版时间:2022年4月

七、联系方式

陈编辑

电话:010-58887035

E-mail:chenxy@radi.ac.cn

[责任编辑:]

网友评论:

(请登录发言,并遵守相关规定)