基于条件生成对抗网络的图像去雨
该研究利用自监督限制所提出的无监督去雨生成对抗网络 (UD-GAN) 解决了单幅图像去雨中标注 - 监督约束缺失等问题并在多种基准测试集和不同训练设置下表现出卓越的去雨效果。
Nov, 2018
本文探讨了自动驾驶中如何应对由光学传感器收集的噪声数据对自主决策产生的影响,并提出了一种用生成对抗网络产生虚拟雨天图像并训练降雨去噪模型的方法,但该方法还需进一步改进。
May, 2023
本文提出了条件变分图像去雨(CVID)网络,利用条件变分自编码器(CVAE)的独特生成能力,为雨图像提供多样化的预测,并采用空间密度估计(SDE)模块和通道化去雨方案实现空间自适应去雨,实验表明该方法在图像去雨上比之前的确定性方法表现更好。
Apr, 2020
本文提出了一种高阶协同网络,其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块,有助于实现去雨滴效果的提高,并通过自我监督学习方法来提高模型性能。
Feb, 2022
该论文综述了过去十年单张图像去雨的多种方法,分类总结了基于模型和基于数据驱动两种类型的方法,总结了雨的外观模型、性能比较和技术特点,并探讨了未来发展方向。
Dec, 2019
通过知识蒸馏,我们提出了一种基于 Rain Review 的通用视频除雨网络(称为 RRGNet),它可以处理不同的雨线类型,并具备最佳的运行速度和除雨效果。
Aug, 2023
本研究提出一个半自动的方法来生成高质量的干净图像,并构建了一个大规模的数据集,以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network(SPANet)以本地到全局的方式移除雨条带,并取得了与现有去雨技术相当的优异性能。
Apr, 2019
本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法,可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题,并通过对真实雨天数据进行测试和评估,证明该方法在图像修复和细节保护方面优于其他现有的方法。
Apr, 2019
通过构建一个基于生成对抗网络的多层级雨图生成模型,实现了在各种天气条件下测试视觉感知算法性能所需的数据生成,该模型能够生成不同强度的轻雨、中雨和大雨图像,并经过优化和调整来改善模式崩溃问题,相比于两个基准模型,测试数据集上 RCCycleGAN 的峰值信噪比 (PSNR) 提高了 2.58 dB 和 0.74 dB,结构相似性指数 (SSIM) 分别提高了 18% 和 8%,并进行了消融实验以验证模型调优的有效性。
Sep, 2023