本文提出一个基于共投影平面的填充方法，利用邻居平面的像素信息，对平面进行扩张填充以维持全景视频二维映射的纹理一致性。

本文根据超像素和背景连接先验，提出两阶段的 GrabCut 方法实现图像的显著性对象分割

PR-AUC 和 ROC-AUC 机器学习的重要评价指标，常用于二元决策问题。

目前主要的显著性检测算法是针对无失真的图像进行的，本文提出了一种基于机器学习的 显著性检测框架 用于对不同失真类型和水平的图像进行显著性检测。

一种对显著性检测算法的优化算法，该优化算法基于拟合。

1. 计算 ground-truth 和显著性图之间的统计信息
2. 使用统计信息计算四个拟合模型的参数
3. 使用拟合模型计算新的显著性图的拟合显著性值，并且限制到合理范围 [0, 255] 。

结合全局和局部颜色信息，矫正S3D图的颜色差异

使用密集的立体匹配（dense stereo matching）和全局颜色矫正算法来初始化颜色值，并且提高局部颜色的平滑性和全局颜色的一致性。

忘记第一次看是什么时候了，好像是2014年的夏天吧，那时看的是电视剧版的。最近听到了「Only Human」，想起了这剧。深刻是什么感觉呢？我很难对什么事物下定义为深刻的，觉得那样过于沉重了。而这部剧的故事，算是在我心中很久了吧，即使不会时刻想着，但是只要看到、听到，它就能重现于我脑海里。这两天，找了电影版的来看。虽然文科着实是我的弱项，可看了后的感觉，我还是想把它记下来。

提出了一种标注模型和一种标注过程

1. 标注模型用于提高低频率标签的标注效果，提出了一种BSAE用于强化低频标签的训练，RBSAE算法用于强化子BSAE模型的分组训练，以提高稳定性。这种策略保证了模型处理不均衡数据的能量。

2. 对于标注过程，提出ADA框架。对未知图像构造一个局部平衡的数据集，区分图像的高低频属性以决定对应的标注过程。LDE-SP算法用于标注低频图像，RBSAE 算法用于标注高频图像。该策略改善了整体图像标注效果，保证了标注过程对不均衡数据的处理能力。

对SAE提出了两种优化方式，线性优化和非线性优化。

本文提出将 seam carving 用于立体图像的方法，以实现在缩放图像时能够维持原来的几何一致性。

本文中的图像缩放，是指仅仅对宽度或高度进行缩放，所以图像缩放后，其3D结构中存在几何一致性问题。若按比例均匀缩放宽高，则几何一致性不会发生改变。

接缝裁剪是一种特征图大小以适应显示的技术，通过填充或删除接缝实现。重复的删除或插入接缝会使得图片失真明显，为解决视觉失真，本文提出了一种新的 AESSC 方法。