1、关键点检测
花名：关键点定位/对齐/keypoint alignment
输入：包含目标的图像，如人脸图像、人体图像、手部图像等
输出：一组预定义的关键点位置（人脸五官，人体关节，手指关节等）
2、算法分类
regression法：直接回归关键点坐标（DeepPose、MTCNN、MobileNet）
+模型简单，可导
+计算量小，速度快
+更好的连续性和稳定性
-容易过拟合（CNN）
-空间泛化能力弱
heatmap法：网络预测heatmap（Hourglass、Openpose、HRNet、ResNet）
+充分利用空间信息（相邻点、前景点背景点等），精度更高
-计算量和内存开销大
-argmax带来量化误差，模型不可导
Top-Down法：（RMPE、CPN、CFN、HRNet）
+效果优于bottom-up
-受限于目标检测结果
Bottom-Up法：（OpenPose、ResNet）
+单模型过程简单
-背景噪声影响较大，效果一般
3、数据集
4、底层视觉应用
- 图像超分辨率
- 图像上色
- 图像补全
- 图像修复
画质增强：
https://www.modelscope.cn/topic/8b8663973dae426099e49d77951ad027/pub/summary
5、LAB色彩空间
使用 Lab 色彩空间的几个好处：
- 可以在最终预测中保留灰度通道。科学事实：我们眼睛中94%的细胞接受亮度，剩下6%感受颜色。正如在上页图像中看到的，灰度图像比彩色层清晰得多。
- 预测 RGB 三通道 -> 预测 ab 两通道，学习难度降低
- Lab 基于人对颜色的感觉设计，它是感知均匀（perceptual uniform）的。Perceptual uniform 的意思是，如果数字（即前面提到的 L、a、b 这三个数）变化的幅度一样，那么它给人带来视觉上的变化幅度也差不多
6、图像上色算法研究
CNN based
• CIC
• InstColor
• DeOldify
GAN Inversion based
• GCP
Transformer based
• ColTran
• CT2
• ColorFormer
• DDColor
7、图像上色实战
DeOldify 图像上色：https://www.modelscope.cn/models/damo/cvunetimage-colorization/summary
DDColor 图像上色：https://www.modelscope.cn/models/damo/cvddcolorimage-colorization/summary
