胡学财：中国科学技术大学本硕博。2015年于中国科学技术大学获学士学位，现为中国科大自动化系15级在读博士生。研究兴趣包括语义分割和图像增强。以第一作者在CVPR2019上发表论文1篇。
报告题目：Meta-SR: A Magnification-Arbitrary Network for Super-Resolution
报告摘要：随着深度卷积神经网络（DCNNs）技术的推进，超分辨率（super resolution/SR）的新近研究取得重大突破，但是关于任意缩放因子（arbitrary scale factor）的研究长时间来一直被超分辨社区所忽略。先前绝大多数主流方法把不同缩放因子的超分辨率看作独立的任务：即针对每个缩放因子分别训练一个模型（计算效率低），并且只考虑了若干个整数缩放因子。在本文中，我们提出一种全新方法，称之为 Meta-SR，通过单一模型解决了超分辨率的任意缩放因子问题（包括非整数因子）。Meta-SR 包含一种新的模块——Meta-Upscale Module，以代替传统的放大模块（upscale module）。针对任意缩放因子，这一新模块可通过输入缩放因子动态地预测放大滤波器的权重，进而使用这些权重生成任意大小的 HR 图像。对于一张低分辨率图像，只需一个模型，Meta-SR 就可对其进行任意倍数的放大。
Spotlight：
Location Projection 使得基于卷积可以实现任意缩放倍数；
Meta-Learning 通过输入缩放因子相关和位置相关的信息可以实现单模型任意缩放倍数。
1. Learning to learn by gradient descent by gradient descent
推荐理由：早期比较要代表性的工作之一，其核心思想是根据当前任务和训练集学习一个最优的优化器，该优化器能够使得神经网络的梯度下降更快更准。
2. Learning to Segment Every Thing
推荐理由：Meta-Learning 来学习一个权重转换函数，该函数使用目标检测子模块的权重来预测掩码预测子模块的权重，这样只需要少数几个类别的掩码（mask）标注（标注成本大）和全部类别的bounding box（标注成本小）就能学习到一个对所有类别都可以进行掩码预测的网络。
3. MetaAnchor:Learning to Detect Objects with Customized Anchors
推荐理由：Meta-Learning 在目标检测任务上的应用，主要是针对之前的anchor必须预先定义好（不够灵活，当然最近也提出了一些无anchor的目标检测框架），MetaAnchor 可以任意定义anchor，并利用该anchor的信息通过权重预测模块预测出detection head 的权重，实现更加灵活有效的anchor机制。
