Classification driven dynamic image enhancement [CVPR.2017]
文中结合Enhancement和Classification的联合优化训练来实现基于分类的图像增强，而非通常基于视觉感知的图像增强，文中论证了这种图像增强技术有助于提升图像分类准确性。具体framework如下图：
其中enhancement network计算输入样本的expected transformation，通过dynamic enhancement layer输出enhanced image
模型的loss定义如下：
其中MSE项表示enhancement部分的约束，另一项则是分类部分的约束，通过对于两部分约束的joint optimization进行网络优化.
文中enhancement部分的实现是基于 Dynamic filter networks [NIPS.2016]. framework如下图：
动态滤波器网络实现了基于输入样本conditioned的滤波器生成，从而实现滤波，这不同于以往训练得到的固定参数的滤波器。通过这种动态滤波器模型可以扩展实现很多功能，如局部空间变换、选择性去噪、自适应特征提取。