作者：Ivan Grishchenko & Valentin Bazarevsky编译：CV君报道 | 我爱计算机视觉（微信id：aicvml）

介绍一篇今年的车道线检测论文 SUPER: A Novel Lane Detection System，作者来自密歇根大学和SF Motors 公司。

分享一篇今天新出的重要文章：Scaled-YOLOv4: Scaling Cross Stage Partial Network，作者出自YOLOv4的原班人马，其聚焦于针对YOLOv4的模型缩放（model scale）。

介绍一篇新出的论文 CenterFusion: Center-based Radar and Camera Fusion for 3D Object Detection ，旨在使用低成本的雷达（redar）替换自动驾驶中的激光雷达，并达到高精度3D目标检测的方法。

分享一篇新出的论文 End-to-end Lane Shape Prediction with Transformers，该文为车道线检测问题建立参数模型，使用Transformer捕获道路中细长车道线特征和全局特征，所发明的车道线检测算法与以往相比，可端到端训练、参数量更少、速度更快（高达420 fps，单1080Ti）。

图像去噪是计算机视觉领域的传统方向，对于可见光图像、视频、核磁图像等的处理仍应用广泛，在工业和学术界引起很多人的关注，基于BM3D(block-matching 3D ，2007)框架的系列算法是该领域的著名方法，其结合图像非局部相似的属性和变换域的稀疏表示，在深度学习用于CV各领域的今天仍有用武之地。

分享一篇视频超分辨率的论文 Revisiting Temporal Modeling for Video Super-resolution，其为BMVC 2020 论文，该文的结果目前在视频超分的几个数据集上都是排名第一，代码已开源。