CVPR全称为IEEE Conference on Computer Vision and Pattern Recognition，是计算机视觉与模式识别领域最顶级的国际会议（CCF A类会议）。CVPR今年的录用率为22.1%。根据最新Google Scholar Citation统计，CVPR位列总榜前10，在计算机学科排名第1，H5-index为240。H5-index是指5年内有h篇文章被引用超过h次。
本次我校入选的2项成果属于3D视觉和无人驾驶等人工智能前沿方向，并充分结合了我校三航特色，针对飞行器外表三维扫描测量和恶劣天气无人驾驶等实际应用问题开展研究，取得了突破性进展。
论文《Geometry and Learning Co-supported Normal Estimation for Unstructured Point Cloud》针对三维复杂点云的法向量估算问题，提出了一种几何领域知识 (Geometry Domain Knowledge) 和深度学习相结合的方法NH-Net，利用几何特征提升深度网络的学习能力。首先，提出了几何方法MFPS对原始点云进行特征提取和法向量预处理，强化了网络对于几何细节的感知能力。其次，首次将多尺度双边滤波后的法向量和高度图信息相结合，组成全新的特征算子进行学习。网络设计了一个新颖的多元聚合模块，使用变换矩阵对法向量进行修正，提高了网络的鲁棒性和保持特征的能力。该方法在合成、真实扫描和室内场景等多个公开数据集上进行了大量实验，实验结果证明NH-Net优于目前所有最先进的几何和深度学习同类方法。
论文《Detail-recovery Image Deraining via Context Aggregation Networks》针对现有单幅图像除图像中雨线方法后图像细节丢失、纹理信息模糊等问题。首次提出采用双层并行网络来恢复去雨图像丢失的细节信息。与现有图像去雨工作不同，该方法将去雨和恢复细节视为并行独立的两个模块。一方面，去雨分支模块利用雨纹具有稀疏性这一先验性知识，采用SE（Squeeze-and-Excitation）模块对各个通道进行权重的分配，以此提取不同尺度雨纹特征。另一方面，细节恢复分支模块采取高感受野的空洞卷积模块和残差块相结合的方式，提取出丰富和多尺度的细节特征来恢复图像细节纹理信息。同时，该工作还提出了通用的细节恢复框架，该框架有助于提升现有其他图像去雨方法的图像去雨效果。实验证明该研究提出的模型在单幅图像去雨方面能够显著提高图像质量，让去雨后的图像具有更加丰富的细节纹理信息且更具有真实性。同时该方法在多个数据集上都优于现有的去雨方法。该方法解决了无人驾和户外监控系统的实际问题，有效的降低了雨纹对无人驾驶的行人物体检测识别造成的干扰，提升了行车安全性；同时降低了降雨天气户外监控图像产生畸变和模糊现象，提升了户外监控系统的有效性。
