2009 CVPR best paper Single Image Haze Removal Using Dark Channel Prior利用实验观察到的暗通道先验，巧妙的构造了图像去雾算法。现在主流的图像去雾算法还是在Dark Channel Prior的基础上做的改进。2016 CVPR best paper Deep Residual Learning for Image Recognition通过残差连接，可以训练非常深的卷积神经网络。不管是之前的CNN，还是最近的ViT、MLP-Mixer架构，仍然摆脱不了残差连接的影响。2017 ICCV best paper Mask R-CNN在Faster R-CNN的基础上，增加一个实例分割分支，并且将RoI Pooling替换成了RoI Align，使得实例分割精度大幅度提升。虽然最新的实例分割算法层出不穷，但是精度上依然难以超越Mask R-CNN。2017 ICCV best student paper Focal Loss for Dense Object Detection构建了一个One-Stage检测器RetinaNet，同时提出Focal Loss来处理One-Stage的类别不均衡问题，在目标检测任务上首次One-Stage检测器的速度和精度都优于Two-Stage检测器。近些年的One-Stage检测器(如FCOS、ATSS)，仍然以RetinaNet为基础进行改进。2020 CVPR Best Paper Nominee Momentum Contrast for Unsupervised Visual Representation Learning19年末，NLP领域的Transformer进一步应用于Unsupervised representation learning，产生后来影响深远的BERT和GPT系列模型，反观CV领域，ImageNet刷到饱和，似乎遇到了怎么也跨不过的屏障。就在CV领域停滞不前的时候，Kaiming He带着MoCo横空出世，横扫了包括PASCAL VOC和COCO在内的7大数据集，至此，CV拉开了Self-Supervised研究新篇章。
1-Single Image Haze Removal Using Dark Channel Priorkaiming he通过大量无雾图片统计发现了dark channel prior—在无雾图的局部区域中，3个通道的最小亮度值非常小接近于0(不包括天空区域)。dark channel prior通过暗通道先验对haze imaging model进行化简，近似计算得到粗糙的transmission，然后将haze imaging model和matting model联系起来，巧妙的将图像去雾问题转化为抠图问题，得到refined transmission，精彩！何恺明经典之作—2009 CVPR Best Paper | Dark Channel Prior https://zhuanlan.zhihu.com/p/4181744963-Guided Image FilteringGuided image filtering是结合两幅图片信息的过程，一个filtering input image(表示为p)和一个guide image(表示为I)生成一个filtering output image(表示为q)。p决定了q的颜色,亮度,和色调，I决定了q的边缘。对于图像去雾来说，transmission就是p，雾图就是I，refined transmission就是q。guided filter则通过公式转换，和滤波联系起来，提出新颖的guided filter，巧妙的避开了linear system的计算过程，极大加快了transmission优化的速度。何恺明经典之作—2009 CVPR Best Paper | Dark Channel Prior https://zhuanlan.zhihu.com/p/41817449637-Focal Loss for Dense Object Detection构建了一个One-Stage检测器RetinaNet，同时提出Focal Loss来处理One-Stage的类别不均衡问题，在目标检测任务上首次One-Stage检测器的速度和精度都优于Two-Stage检测器。近些年的One-Stage检测器(如FCOS、ATSS)，仍然以RetinaNet为基础进行改进。Soft Sampling：探索更有效的采样策略 https://zhuanlan.zhihu.com/p/6395451738-Mask R-CNN在Faster R-CNN的基础上，增加一个实例分割分支，并且将RoI Pooling替换成了RoI Align，使得实例分割精度大幅度提升。虽然最新的实例分割算法层出不穷，但是精度上依然难以超越Mask R-CNN。从R-CNN到Mask R-CNN的思维跃迁62-Exploring Simple Siamese Representation LearningSimSiam的理论解释意味着带stop-gradient的孪生网络表征学习都可以用EM算法解释。stop-gradient起到至关重要的作用，并且需要一个预测期望E的方法进行辅助使用。但是SimSiam仍然无法解释模型坍塌现象，SimSiam以及它的变体不坍塌现象仍然是一个经验性的观察，模型坍塌仍然需要后续的工作进一步讨论。
Self-Supervised: 如何避免退化解
https://zhuanlan.zhihu.com/p/365700730
SimSiam：孪生网络表征学习的顶级理论解释
https://zhuanlan.zhihu.com/p/452659570
63-A Large-Scale Study on Unsupervised Spatiotemporal Representation Learning指出时空的Self-Supervised采样同一个视频的positive pair时间跨度越长效果越好，momentum encoder比优化目标重要，训练时间、backbone、数据增强和精选数据对于得到更好性能至关重要。何恺明+Ross Girshick：深入探究无监督时空表征学习 https://zhuanlan.zhihu.com/p/36915921164-An Empirical Study of Training Self-Supervised Vision TransformersMoCov1通过dictionary as a queue和momentum encoder和shuffle BN三个巧妙设计，使得能够不断增加K的数量，将Self-Supervised的威力发挥的淋漓尽致。MoCov2在MoCov1的基础上，增加了SimCLR实验成功的tricks，然后反超SimCLR重新成为当时的SOTA，FAIR和Google Research争锋相对之作，颇有华山论剑的意思。MoCov3通过实验探究洞察到了Self-Supervised+Transformer存在的问题，并且使用简单的方法缓解了这个问题，这给以后的研究者探索Self-Supervised+Transformer提供了很好的启示。MoCo三部曲 65-Masked Autoencoders Are Scalable Vision Learners MAE设计了一个encoder-decoder预训练框架，encoder只送入image token，decoder同时送入image token和mask token，对patch序列进行重建，最后还原成图片。相比于BEiT，省去了繁琐的训练tokenizer的过程，同时对image token和mask token进行解耦，特征提取和图像重建进行解耦，encoder只负责image token的特征提取，decoder专注于图像重建，这种设计直接导致了训练速度大幅度提升，同时提升精度，真称得上MAE文章中所说的win-win scenario了。NLP和CV的双子星，注入Mask的预训练模型BERT和MAEhttps://zhuanlan.zhihu.com/p/435874456kaiming科研嗅觉顶级，每次都能精准的踩在最关键的问题上，提出的方法简洁明了，同时又蕴含着深刻的思考，文章赏心悦目，实验详尽扎实，工作质量说明一切。
