本文提出了一个新的基于深度学习的去雪方法，利用语义和几何信息来去除图像中的雪，并通过实验验证了该方法的优越性。

Mar, 2021

通过使用深度学习技术，该研究提出了一种新方法来减少水下图像中的浮游生物干扰，通过训练生成对抗网络模型合成逼真的浮游生物样本，并将其与自然水下图像相结合创建配对数据集，然后使用 U-Net 模型进行图像翻译任务来去除浮游生物干扰。实验结果表明，该方法能够高精度地去除合成和自然的浮游生物，并且胜过中值滤波器及其自适应变体等最先进的方法。同时，通过在 MSRB 数据集上的测试，研究还展示了该方法的鲁棒性，该数据集包含了我们模型在训练过程中未曾见过的合成伪影。该方法是一种改善受浮游生物影响的水下图像的实用高效解决方案。

Nov, 2023

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

该研究介绍了一种名为 DerainNet 的基于深度卷积神经网络的图像去雨筋方法，并使用合成数据进行训练，提高了真实数据上的去雨效果，并在计算时间方面得到了显著提高。

Sep, 2016

通过构建新的数据集、提出新的训练策略以及设计更适用的模型性能评估方法，本文首次考虑标签噪声对遥感图像中云和雪的检测的影响，并验证了所提出方法的有效性。

Jan, 2024

本研究提出了一种基于深度学习技术的具有场景上下文依赖关系的分解网络结构，能够有效增强低光照条件下的图像质量，在各种图像处理和多媒体应用中具有较强的实际应用价值。

Dec, 2021

本研究利用计算机视觉方法，在人行道和路面上检测积雪，以减少冬季相关的跌倒伤害，特别是对于老年人和视障人士。该研究采用经过精细调整的 VGG-19 和 ResNet50 卷积神经网络，重点是在这些图像中识别积雪的存在。研究使用包含 98 个图像的数据集，均匀分为积雪和无积雪条件，采用 F1 得分和准确性度量标准对其进行评估。本研究通过采用经过精细调整的卷积神经网络架构，有效地从智能手机拍摄的图像中检测到路面上的积雪，建立在现有研究的基础上。该方法结合了迁移学习和模型集成技术，综合了 VGG19 和 ResNet50 架构的最佳预测结果。这项研究展示了计算机视觉在应对冬季相关危害中对弱势群体的潜力，并取得了 81.8% 和 81.7% 的准确性和 F1 得分。

Jun, 2024

RSFormer 是一种高效有力的 Transformer，专门用于消除受天气影响的图像中的雨迹和雪花，它通过将 ConvNets 和 Vision Transformers 在分层结构中的接近度结合起来，利用替代自注意力机制的 Transformer-like 卷积块 (TCB) 以适应输入内容，并提出了全局 - 本地自注意力采样机制 (GLASM)

Apr, 2023

该研究提出了一种新的自监督学习框架来去除 LiDAR 点云中的雪点，并取得了最先进的无标签方法的性能，同时也可以作为一种先前任务来提高有监督训练的标签效率。

Aug, 2022

本文提出了一种基于卷积神经网络的图像去雾模型 AOD-Net，其通过一种新颖的端到端设计，直接生成干净图像，进而通过与 Faster R-CNN 模型的级联来提高雾图上的目标检测性能。实验结果表明，该模型在合成和自然雾图数据集上均表现出比现有模型更卓越的 PSNR, SSIM 和主观视觉质量表现。

Jul, 2017