正文
下面，我们简单介绍最佳论文。
最佳论文一：密集连接卷积网络
摘要
最近的研究显示，如果卷积网络中分别接近输入端和输出端的层之间包含更短的连接，那么该卷积网络可以显著地实现更深、更准确，并且更高效。在本研究中，我们同意这一观察，并提出DenseNet（Dense Convolutional Network）,它以前馈的方式将所有层连接起来。一个L层传统卷积网络具有L个连接——即每一层和它的后一层之间都有一个连接，我们提出的DenseNet网络具有L(L + 1）/2个直接连接。对于每个层，它的输入是所有前面的层的特征图，并且其自身的特征图被用作所有后面的层的输入。DenseNet的突出优点有几点：减轻了梯度消失的问题，加强了特征传播，鼓励特征重用，并且大大减少了参数数量。我们在4个高度竞争性的对象识别基准任务（CIFAR-10，CIFAR-100，SVHN和ImageNet）中对我们提出的架构进行了评估。结果显示，DenseNet 在大多数任务上相比以前的最优结果获得了显著的进步，并且在实现高性能的同时所需的内存和计算更少。相关代码和模型可以在这里找到：https://github.com/liuzhuang13/ DenseNet
最佳论文二：通过对抗训练从模拟图像和无监督图像学习
摘要
随着图形学最近得到的进步，使用合成的图像训练模型变得更加容易了，这能免除对数据进行注释的昂贵花费。但是，由于合成的图像和真实图像分布之间存在差距，从合成的图像学习可能无法实现期望的性能。为了缩小这一差距，我们提出模拟+无监督（Simulated+Unsupervised，S + U）学习，它的任务是学习一个模型，以使用未标记的真实数据来改善模拟器的输出的真实感（realism），同时保留来自模拟器的注释信息。我们为S + U学习开发了一种使用对抗网络的方法，类似生成对抗网络（GAN），但我们的方法使用合成的图像（而非随机向量）作为输入。我们对标准GAN算法进行了几个关键的修改，以保留注释信息，避免失真（artifacts）并保持训练稳定：（i）一个“自正则化”项，（ii）一个局部对抗损失（ local adversarial loss），以及（iii）使用改善后的图像的历史信息来对判别器进行更新。我们的研究表明，这一方法能够生成高度逼真的图像，并且通过定性研究和用户研究证实了这一点。我们通过训练模型进行视线估计（gaze estimation）和手势估计（hand estimation）进行了定量评估。我们的研究显示，这一方法在使用合成图像方面实现了显著提升，并在没有任何已标注数据的情况下，在 MPIIGaze 数据集得到了 state-of-the-art 的结果。
最佳学生论文
：电网计算成像（Computational Imaging on the Electric Grid）
摘要
交流电（AC）照明带来了夜的节拍。 通过对这种节拍的感受，我们揭示了新的场景信息，包括：场景中的灯泡类型，城市规模的电网分段（phase）以及光传输矩阵。这种信息区分了反射和半反射，夜间高动态范围以及在采集期间未观察到的灯泡的场景渲染（scene rendering）。 后者由我们收集并提供的来源丰富的灯泡响应函数数据库促成。为了实现以上工作，我们构建了一种新颖的 coded- exposure 高动态范围成像技术，专门设计用于在电网交流照明上运行。
大会还公布了Longuet-Higgins 奖和PAMI 年轻研究员奖：
Longuet-Higgins 奖是 IEEE 计算机协会模式分析与机器智能（PAMI）技术委员会在每年的 CVPR 颁发的“计算机视觉基础贡献奖”，表彰十年前对计算机视觉研究产生了重大影响的 CVPR 论文。奖项以理论化学家和认知科学家 H. Christopher Longuet-Higgins 命名。
2017 年的Longuet-Higgins 奖被授予了 J. Philbin 等人在 2007 年发表的 CVPR 论文“Object retrieval with large vocabularies and fast spatial matching”。根据谷歌学术搜素引擎，这篇文章的被引次数高达 2122 次。
另一个奖项是“PAMI 年轻研究员奖”（PAMI Young Researcher Award），这个奖项授予那些博士毕业不超过 7 年并在计算机视觉方面有卓越研究贡献的的年轻研究人员。PAMI 年轻研究员奖自 2013 年起颁发，继承了 2012 年IVC 的“杰出青年研究员奖”（Outstanding Young Researcher Award）。
2017 年的 PAMI 年轻研究员奖得主是 Ross Girshick（Facebook AI Research,FAIR） 和 Julien Mairal（INRIA）。
从以上多个奖项的获奖者来看，虽然华人学者在CVPR的论文提交数量和竞赛上有出色表现，但是获奖的比例并不算高。
接收论文：华人学者的半壁江山依然稳固，“深度学习”稳坐关键词第一把交椅
今年，CVPR 共收到2680篇有效投稿，其中2620篇经过完整评议（其余60篇有一些是出于技术或伦理方面的原因被委员会拒绝，有一些则在评议前退出）。
最终，一共有783篇论文被接收（接收率为29%）。其中有71篇获得长篇口头报告的展示机会，144篇获得短报告（spotlights）的机会。
CVPR 2017的接收论文有三种展示形式：两种形式的口头展示（长篇与短篇，即Oral 与 Spotlights），以及海报展示。新智元统计发现，大会一共有107个Session。
-
ORALS：与传统的CVPR orals 一样，CVPR 2017 上进入 orals 环节的论文数量比例与此前几届CVPR一致。每一个orals 报告的时间是12分钟。
-
SPOTLIGHTS: 每一个spotlight的报告者有4分钟的口头报告时间，来强调论文的主要贡献和创新之处，以及报告论文的主要研究成果。
-
POSTERS: 口头报告之外的论文将会得到海报展示的机会。此外，所有的口头报告之外的论文也会出现在接下来的海报展示环节中。
全部论文名单地址：http://www.cvpapers.com/cvpr2017.html
