今年的CVPR Oral论文的接收率不到5.6%（288/5160约5.6%，或者288/1300约22.2%），很不容易。我们组2017年刚刚成立，今年的第一篇CVPR论文Side Window Filtering非常幸运地被评为了Oral。有趣的是，我们的论文不是一篇深度学习的论文。
这篇文章的第一作者是殷慧博士，共同一作是本人（龚元浩），通信作者是邱国平教授。
论文链接：https://arxiv.org/abs/1905.07177
https://github.com/YuanhaoGong/SideWindowFilter
这篇文章的思想源于我的博士论文，可以参考基于曲率的图像处理。博士毕业以后，我也陆陆续续写了一些关于半窗口滤波的论文，比如曲率滤波，Bernstein滤波，Sub-window Box Filter （VCIP2018论文链接），Generic Geometric Prior (GGP)等等。但是这次CVPR的论文使得子窗口回归站到了更大的学术舞台上。
不管原来的滤波器保不保边，Side Window都让它保边！非常霸气！
这篇文章首先分析了为什么之前的滤波算法不保边：因为传统方法都使用全窗口回归，也就是把窗的中心位置放在待处理像素的位置。即便是用非线性各向异性加权，仍然无法杜绝沿着图像边缘的扩散（可能只是沿着边缘的扩散比较大，而沿着法线的扩散的比较小，比较小也是扩散，这是传统方法不保边的本质原因）。
基于这一分析，为什么不把窗口的边缘直接放在待处理像素的位置呢？这就切断了可能的法线方向的扩散。这就是这篇文章的核心思想。如上图所示，在图像的边缘附近，相邻的两个像素a和b。虽然他们物理上相邻，但是他们选择的半窗口却是朝向两个不同的方向。从而不会出现边缘的模糊。
有人可能会说：这跟双边滤波的空间加权和灰度值加权非常像啊！但其实还是有本质的区别。我们的方法本质上切断了法向扩散，而不是像之前的保边算法那样仅仅是减少了法向扩散。因此，我们的方法从数学原理上就可以保证保边。而之前的方法本质上是不能保边的。
但是具体到一个像素位置的时候，如何选择哪一个方向呢？我们可以直接枚举八个可能的方向，让数据自适应地选择一个最佳的方向就行了，如下图所示。这样横平竖直的子窗口可以利用可分离滤波来加速计算。另外，我们可以利用重叠的子窗口来减少重复计算。所以，最终的计算量只是原来滤波器的2到3倍。
基于这种side window的思想，我们可以把传统的Box Filter，Gaussian Filter，median Filter，Bilateral Filter，Guided Filter等等都变成Side Window版本。不管原来的滤波器保不保边，Side Window版本都让它保边！强不强大？欢不欢喜？
Side Window方法把原本不保边的滤波器变成保边滤波器
然后就是各种应用，表明Side Window版本比原来的效果要好了，包括除噪，平滑，HDR应用，结构纹理分解，深度估计，上颜色等等。
总之，这个技术很简单，实现很简单，效果很强大，您值得拥有：）。审稿人认为这篇论文“will be a great paper in CVPR! ”。欢迎大家来CVPR围观！
为了感谢您阅读本文所花费的宝贵时间，一小段代码拱手奉上： 边窗盒子滤波
