夜间光照矫正下的雾霾去除
提出了一种基于变压器的夜间图像去雾框架 NightHazeFormer,结合了半监督的微调策略和先验查询,同时创造了大规模的合成数据集 UNREAL-NH,表现优于现有的夜间去雾方法。
May, 2023
本研究提出了一种名为 3R 的新型合成方法来模拟夜间模糊图像,它可从白天清晰图像中重构场景几何结构,模拟光线和目标反射,并最终呈现雾霾效果。其在合成基准测试中的试验结果表明,其优于现有的最新方法,这对于解决夜晚图像处理中缺乏大规模基准数据集的问题非常有帮助。
Aug, 2020
我们提出了一种半监督模型来解决现实世界夜间去雾问题,通过采用空间注意力和频率谱滤波进行信息交互处理以处理夜间模糊场景,设计了基于伪标签和局部窗口的亮度损失的重新训练策略,以抑制雾气和光晕并实现真实亮度。通过对公共基准的实验证实了所提方法的有效性和优越性。源代码和补充材料位于指定的网址。
Mar, 2024
本研究提出了一种用于夜间雾霾图像的光晕抑制和低光增强的方法,通过学习光晕图像对来检测光源和提高低光区域的能见度,同时利用梯度自适应卷积来捕捉雾霾场景的边缘和纹理,并通过注意力机制调整低光区域,该方法在真实的夜间雾霾图像上进行了广泛的评估,实验结果表明与现有方法相比,其 PSNR 值提高了 14%。
Aug, 2023
本文提出了一种新方法来增强暗光雾霭场景的可见性,通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成,实验证明该方法在各项指标上的效果优于现有方法,并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。
Aug, 2023
本文提出了一种基于编码器 - 解码器网络和空间感知通道注意机制的去雾算法,并引入一种贪婪本地化数据增强机制以确保去除影响后的图像的一致性,为了消除人工合成图像与真实数据集之间的差异,提出了对抗性的先验引导框架来确保性能一致性,并在实验中取得了最先进的效果。
Jan, 2021
本文提出一种基于语义特征推断颜色先验和估计周围照明的新方法,比单纯使用卷积神经网络学习雾霾相关先验的方法更能有效地去除单张图像中的雾霾。实验证明,该语义方法在合成图像和真实雾霾图像上显示了较高的性能。
Apr, 2018
本论文介绍了一种名为 NDELS 的前沿解决方案,用于改善阴霾和低光状况下的夜间图像质量,通过组合三个关键过程来增强能见度、照亮低光区域和有效抑制强光源的耀斑。与夜间去雾的有限进展不同,NDELS 提出了一种全面创新的方法,通过与八种最先进的算法在四个不同数据集上进行广泛比较,其有效性得到了严格的验证。实验结果展示了我们方法在整体图像质量(包括颜色和边缘增强)方面的卓越性能,这些结果使用定量(PSNR、SSIM)和定性(CLIPIQA、MANIQA、TRES)度量进行衡量。
Dec, 2023