深度网络的联合透射映射估计和去雾
本文提出一种称为 DehazeNet 的端到端可训练系统,用于中介介质透射图的估计,以便于去除输入图像中的雾霾,并通过大气散射模型恢复无雾图像。DehazeNet 采用卷积神经网络(CNN)的深层架构,其层特别设计为体现图像去雾中已建立的假设 / 先验,包括使用 Maxout 单元的特征提取层和双边整流线性单元的非线性激活函数,实验表明 DehazeNet 具有优越的性能。
Jan, 2016
提出了一种名为 DR-Net 的新型深度网络架构用于图像去雾,其由三个主要子网络组成:预测输入图像的透射率图的传输预测网络、重构由透射率图驱动的潜在图像的去雾网络和通过弱监督学习增强去雾结果的细节和颜色特性的优化网络。与先前的方法相比,我们的方法在数据驱动模型,端到端系统和鲁棒性,准确性和适用性方面具有优越性能。大量实验证明,与合成和真实图像中的最新方法相比,DR-Net 在定量和定性指标上都表现出色。此外,DR-Net 的实用性也可以通过其在几个重要计算机视觉任务中的潜在用途得到说明。
Dec, 2017
本文设计了一种新的残差结构来整合先验信息和数据信息,以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。
Nov, 2017
本文提出了一种利用两个不同的透射率图加权融合的粗略估计版本以及增强正则化项的混合变分模型进行精细调节透射率图的去雾算法,并成功地应用于保留重要图像细节和抑制不良伪影的图像去雾成像中,具有很高的竞争力。
Feb, 2019
本文提出了一个基于 U-Net 的编码器 - 解码器深层网络模型用于单幅图像去雾。该模型通过逐步特征融合,直接从观察到的有雾图像到去雾地面真实的高度非线性变换函数。在两个公共的图像去雾基准测试中,该模型在 GPU 的高效内存使用下能够令人满意地恢复超高清分辨率模糊图像,达到了顶尖水平。
Oct, 2018
本文介绍了一种用于单一模糊图像恢复的级联 CNN 方法,该方法同时考虑了介质透射和全局大气光。使用该方法可以更准确和有效地去除室外天气带来的雾霾问题,并优于现有的去雾方法。
Mar, 2018
我们提出了一种新的图像去雾框架,该框架与未标记的实际数据协作,同时开发了一个解缠积网络(DID-Net)和解缠一致性 mean-teacher 网络(DMT-Net),并使用一致性损失函数在未标记的实际数据上优化性能,实验结果表明我们的方法在数量和质量方面都有明显的提高。
Aug, 2021
本文提出了一种利用改良条件生成对抗网络的端到端学习的方法,采用 Tiramisu 模型代替传统的 U-Net 模型作为生成器,使用基于贴片的鉴别器来减少输出图像中的伪喷雾,并设计了混合加权损失函数来提高输出图像的感知质量,实验结果表明,该模型在合成和真实世界喷雾图像上与现有技术水平相当。
Oct, 2018
本文提出了一种称为 Cycle-Dehaze 的端到端网络,用于单图像去雾问题,无需对成对的模糊和对应的真实图像进行训练,此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式,以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明,该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。
May, 2018
提出了一种使用残差学习和视觉转换器的注意模块的方法,首先估计残差图像,然后通过卷积层和全局上下文转换器编码器获取通道注意力,最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。
Dec, 2023