BidNet: Binocular Image Dehazing without Explicit Disparity Estimation
2020 CVPR，现有的基于双目去雾的方法需要显式的去估计深度和去雾，而对深度估计的不准确会导致去雾效果不好，因此这里对双目信息进行隐式的利用，因此减少的3D卷积运算也可以提速，此外目前的方法只能得到一个视角的去雾结果。整体架构如下所示：
可以看出，这里对左右视图信息的联合利用通过一个non-local模块实现的，这个nonlocal操作的方向是水平的，提取特征时使用的是一个encoder-decoder式的一个网络，nonlocal后的结果经过一个多尺度池化refine从而得到最终的transmission结果。而大气图是全局的且左右视图一致，这里通过一个encoder-decoder网络直接从输入图得到。
损失函数方面，这里包括去雾结果的左右视图及refine之后的左右视图分别和GT算法loss，对transmission图也做了同样的loss，以及一个大气图与GT大气图的L2 loss，最后还加上了一个VGG loss。在实验上，这里是在Cityspace数据集上进行仿真的，同时对于真实场景，这里在DrivingStereo数据集上进行仿真，然后在其真实的带雾图上进行测试。博客https://blog.csdn.net/qq_43310834/article/details/108347191 感觉比我说的清楚。
Disparity-Aware Domain Adaptation in Stereo Image Restoration
2020 CVPR，做双目图像恢复。双目图片可以提供另一个视角的信息，因此更加有利于图像恢复任务。之前Stereo process的网络仅仅利用disparity信息进行深度估计。因此论文提出的方法要将disparity的信息利用起来，辅助图像恢复。整体结构如下所示：
包括单目网络，视差网络和双目网络，其中单目网络分别对各个视角的图像进行恢复，从而为提供视差先验做准备。该部分分别输出fM和IM分别对后面的双目网络进行性能提升。而对于视差网络，这里是在特征层面上进行处理，因此可以有效克服domain差异，最后是双目网络，这里采用的结构和以往其他双目网络的差别如下图所示:
显然(a)和(b)的方式都过于简单粗暴，而(c)这种处理虽然被交叉式的处理，但是没有利用视差先验。所以论文使用了如d所示的结构，即通过密集连接的FMDB实现视差先验的利用。为了减少计算量，这里使用space to depth的方式减少分辨率去实现。具体操作见上图。
损失函数上，这里包括一个disparity上的L1 loss和perceptual loss，在训练策略上，这里先对单目网络和视差网络分别使用输出结果和视差结果做loss，然后固定视差网络，对单目网络和双目网络进行finetune。在训练数据上，这里使用 Middlebury dataset，但是我感觉这里仿真处理的非常随意，总之可以做的点还是有的。
Beyond Monocular Deraining: Stereo Image Deraining via Semantic Understanding
2020 ECCV，使用双目做derain，同时结合语义信息引导这个过程。双目信息可以提供更多几何信息可以辅助去雨。详情见：https://my.oschina.net/u/4579551/blog/4619830