第一位主讲人是19级的欧阳娇,她此次为大家分享的是一篇名为《Guided Image Filtering》的论文,这篇论文主要介绍了基于高斯滤波提出了双边滤波和引导滤波,并讲解了这两种滤波相比于高斯滤波的改进之处。

欧阳娇同学首先介绍了高斯滤波,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到,也指出高斯滤波的缺点是只考虑空间距离的权重,会对图像边缘造成模糊。

接着,欧阳同学又介绍了双边滤波,指出双边滤波在高斯滤波的基础上,进一步优化,叠加了像素值的考虑。在图像的低频区域,像素值变化很小,那么像素差值接近于0,对应的值域权重接近于1,此时空间域权重起主要在图像的边缘区域,像素值变化很大,即使距离近,空间域权重大。加上值域权重总的系数也较小,从而保护了边缘的信息。可见,双边滤波考虑了像素在空间和像素值的相似性,通过在高斯滤波的基础上增加一个衡量像素变化的滤波器,避免在滤波期间对边缘平滑作用,相当于进行高斯模糊

最后,欧阳同学介绍了引导滤波,引导滤波的作用就在于搜索出线性因数的最优解,使输入图像与输出图像之间的差值最小化,导向滤波不仅可以做到边缘保护过滤,非迭代,还具有快速的线性时间算法,目前,它是最快的边缘保持滤波器之一,而不管滤波模板的大小,还具有梯度保护。除此之外还可以将导向图像的结构转换为滤波输出,从而实现新的滤波应用,如去雾和导向羽化。总之,引导滤波在各种计算机视觉和计算机图形学应用中很多,包括边缘感知平滑、去噪、细节增强、HDR压缩、图像抠图/羽化、去雾、联合上采样等。

第二个出场的是19级的杨洋,她此次为大家分享的是一篇名为《Adversarial Attack on Community by Hiding Individuals》的论文,这篇论文主要讨论的是如何在社团检测中去隐藏一些目标或信息来实现隐私保护。

杨洋同学在做GNN对抗攻击的背景介绍

杨洋同学首先为大家介绍了涉及这篇论文的一些基础知识。从GNN对抗攻击的背景到这篇论文的中心思想,详细讲解了这篇论文的总体思想与设计思路。作者主要是利用受约束图生成器来获得受扰动之后的图,然后利用鲁棒性训练的思想将干净的图数据与受攻击后的图数据一起送入到代理社团检测模型中计算得到Lu。论文设计的模型框架如下:

在介绍了总体思想之后,杨洋同学开始介绍论文的总体设计框架。其中,constrained graph generation是基于VAE做的一些改进:encoder沿用VAE的,但是在generation部分进行了修改,因为有扰动的budget的限制和计算的伸缩性两个问题需要考虑,因此在考虑第一个问题的时候在budget部分使用了mask机制,能够阻止生成不需要的连边;第二个问题是对不同规模的图大小使用不同的解决方案(大图,删除边;小图,增、删边)。

最后杨洋根据实验数据对论文所提出的想法做出客观的评价,对论文中提出的思想做了总结。

以下是杨洋、欧阳娇同学在这次seminar中的表现评分。