本文介绍了一种通过利用光学非线性性形成一个狭缝点来实现高分辨率成像技术的方法,该方法可用于高度散射的生物样本中的二光子荧光显微镜成像。
May, 2014
本研究提出了一种基于统计学习和卷积神经网络的高度可扩展的方法,通过散射介质中捕捉到的雹花强度模式,模型具有抗雹花去相关性的鲁棒性,并能够实现准确物体预测。
Jun, 2018
使用深度神经网络中的 Separable Hybrid Attention(SHA)模块,联合密度图来建模全球雾的密集度分布,有效地处理了雾的影响,使新的去雾网络架构的性能优于当前所有技术,从而在图像去雾领域取得了最佳性能。
Nov, 2021
介绍了 ScatterNeRF,这是一种神经渲染方法,可以充分呈现有雾情况下的场景并分解没有雾的背景,并在没有大量训练数据的情况下进行优化,从而对复杂的天气条件进行处理以供自动驾驶汽车、机器人和无人机等应用程序使用。
May, 2023
本文介绍广义散射变换作为深度神经网络数学模型,并探讨其在无监督和有监督学习及分类中的应用。
Jun, 2013
本论文研究基于神经辐射场(NeRFs)的新视点生成,提出一种在散射介质中渲染 NeRFs 的新模型,能够正确地渲染水下场景的全新感知图像,并去除介质对场景的影响。
Apr, 2023
本论文利用基于深度学习的方法,通过估计光流场并使用卷积神经网络,从短序列图像中去除窗户反射、栅栏遮挡和雨滴等干扰因素。该方法能够处理一些错误和脆弱假设,并在多个具有挑战性的场景中表现出不错的效果。
Apr, 2020
我们提出了一种基于学习的方法来消除从移动相机拍摄的短序列图像中的不需要的干扰物,例如窗户反射,栅栏遮挡或附着的雨滴。我们的方法利用背景和阻挡元素之间的运动差异来恢复两个图层,并在估计两个层的密集光流场和通过深度卷积神经网络从流场变形的图像重建每个层之间进行交替。通过学习的重建模块有助于适应流量估计和脆弱假设(例如亮度一致性)中的潜在错误。我们显示,该方法在从合成数据中学习后对真实图像具有很好的表现。在许多具有挑战性的反射和围栏移除情况下进行的实验结果证明了该方法的有效性。
Aug, 2020
本文介绍了一种利用综合方法实现数据域转换的深度学习算法 ZeroScatter,并将其应用到解决在恶劣天气下自动驾驶过程中存在的缺陷,结果表明 ZeroScatter 优于现有的单目去雾方法。
Feb, 2021
利用散射光的单张图像在不需激光和时间门控检测的情况下,通过电脑摄像头来实现透过散射介质和检测散射光在物体周围的成像。
Mar, 2014