由于疫情影响，本次论坛采用腾讯会议的方式举办，并在B站和知网同步直播，共有4190人参与。
在报告开始前，肖亮教授和中国图象图形学报的陈秀妍分别介绍了“行知论坛”以及中国图象图形学报的情况。
首先，来自澳大利亚阿德莱德大学的巩东博士进行了第一场报告，报告的主题为“Towards Real-world Image Restoration——a Perspective of Learning with Non-ideal Supervision”。巩东博士介绍了图像复原问题的背景，并对当前的研究现状进行了系统的概括。随后指出了真实场景下的图像复原问题依然面临诸多挑战，比如，在现实情况下收集足够多的理想训练数据集是非常困难的，甚至是不可能的。针对理想训练数据集获取困难的问题，巩东博士对如何从使用非理想监督信息进行学习的角度更好的解决真实场景下的图像复原问题进行了讨论，并分享了这一思想在图像超分问题中的应用。
随后，任冬伟博士进行了第二场报告，报告的主题为“Learning from “Self” for Image Restoration”。任冬伟博士对如何在底层图像复原任务中挖掘“自身”信息的方向进行了讨论，并介绍了这一思想在图像盲去模糊问题和低质量人脸图像增强问题上的应用。针对图像盲去模糊问题，任冬伟博士介绍了直接从模糊图像“自身”学习模糊核和清晰图像先验的复原模型，并分析指出，卷积神经网络适合学习清晰图像先验，而全连接网络更适用于学习模糊核先验；针对低质量人脸图像增强问题，任冬伟博士介绍了基于多张“自身”高质量图像的人脸引导复原模型，并对其中的最优姿态图像的选择及其对齐、自适应特征融合策略等进行了详细的介绍。
紧接着，任文琦博士进行了第三场报告，报告的主题为“先验知识约束的深度网络及其在图像恢复中的应用”。首先任文琦博士对图像模糊的形成因素和物理模型进行了简单的介绍，随后对如何结合传统图像先验知识和深度网络特征学习的方向进行了讨论，根据这一思想，任文琦博士分别对不同的增强任务介绍了针对性的深度网络模型，包括低秩先验知识约束的去模糊深度模型、三维人脸先验知识约束的去模糊深度模型、自相似性先验知识约束的图像超分辨深度模型。
最后，肖亮教授对本次论坛进行了总结。通过本次论坛，我校研究生和相关领域的研究人员表示从中获益匪浅，对画质增强方向面临的挑战和研究现状有了进一步的认识，拓宽了学术视野，对他们在这一领域的深入研究具有一定的指导意义。
