Jan, 2017

基于条件生成对抗网络的图像去雨

PDF
TL;DR本文提出了一种基于条件生成对抗网络的图像去雨算法 (ID-CGAN)，以优化细化的损失函数为优化框架，考虑了定量、定性和辨别性能，经过测试，该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。
发现论文，激发创造
  • 无监督自监督约束下的单张图像去雨

    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

  • 自动驾驶环境中，当前降雨去噪模型为何在 CycleGAN 生成的降雨图像上失效

    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

  • 条件变分图像去雨

    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

  • 在线更新的高阶协作网络用于单图像去雨

    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

  • 单幅图像去雨：从基于模型到数据驱动及其更进一步

    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

  • 通向通用快速视频去雨的知识蒸馏

    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

  • 具有空间注意力机制的高清真实雨数据集单图像去雨方法

    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

  • 重度雨天气图像修复：物理模型与条件对抗式学习的整合

    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

  • 一幅图像中雨滴去除的注意力生成对抗网络

    本文提出了一种基于生成对抗网络和视觉注意力机制的雨滴去除方法，成功地将雨滴污染的图像还原为干净图像，并取得了比同类方法更好的定量和定性效果。

    Nov, 2017

  • 基于 GAN 的分层等级雨图像生成模型

    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