IEEE Transactions on Image Processing（IEEE TIP）是Q1区期刊，也是中国计算机学会推荐的计算机图形学与多媒体领域A类期刊，2016年影响因子3.625。
郝爱民教授和王青正博士的论文“Super-Resolution of Multi-Observed RGB-D Images Based on Nonlocal Regression and Total Variation”提出了一种基于非局部回归和总变分的多视点RGB-D图像超分辨率方法。
该研究通过分析多视点RGB-D图像间的相关性以提高超分辨率重构细节生成能力。利用深度图构建多视点RGB图与超分辨率结果间的映射矩阵，通过引入归一化总变分先验知识，将RGB图像的超分辨率问题构建为能量最优化问题，提高RGB图像超分辨率的细节重构能力；以超解的RGB图像做为引导数据，将非局部回归耦合到深度图超分辨率模型内，提高深度图重构的结构意识。该研究提出了一种有效的RGB-D超分辨率重构模型（图1），并为RGB和深度图超分辨率重构之间的关系提供了一种新思路。
图1
王蕴红教授和陈佳鑫博士的论文“Relevance Metric Learning for Person Re-Identification by Exploiting List-wiseSimilarities”主要针对行人再识别，即监控摄像机网络下基于行人外观的身份匹配问题，提出了一种基于全局相似度和局部相似度的度量学习算法。
论文避开了现有度量学习算法仅考虑稀疏成对(pair-wise)相似度导致大量判别信息丢失的不足，采取了列表(list-wise)式相似度和类间距保持准则（图2）。该方法充分利用了所有样本间的全局相似度信息，因而能增强距离度量的判别性。此外，论文还分析了不同身份行人图像间相似度分布的差异，设计了相对相似度信息自适应学习方案，最终提出了距离度量和相对相似度联合学习算法。该方法在VIPeR、iLIDS等国际主流数据库上取得了比现有度量学习算法更高的识别准确率，提高了行人再识别匹配的鲁棒性，并为揭示行人身份匹配度与基于外观特征的相似度度量间的映射关系提供了一种新的研究思路。
图2
