Sep, 2017

端到端的联合视频去雾和检测

PDF
TL;DR本文提出了基于卷积神经网络的端到端视频去雾网络 (EVD-Net), 用于利用连续视频帧之间的时间一致性，并在多种结构选项上进行了彻底的研究，以确定最佳的时间融合策略。此外，我们还建立了一个端对端联合视频去雾和检测网络 (EVDD-Net)，通过将 EVD-Net 与视频目标检测模型连接并进行联合训练，得到的增强型端对端流水线在模糊视频的检测结果上表现出更稳定和更准确的结果。
cnn-based image dehazingend-to-end video dehazing networktemporal consistencyvideo object detection modelhazy video
发现论文，激发创造
  • 逐层特征融合网络用于逼真图像去雾

    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

  • 一种多功能去雾网络

    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

  • DADFNet：双注意与双频率引导除雾网络，用于视频驱动的智能交通

    该研究提出了一种双重关注和双频引导去雾网络（称为 DADFNet）用于实时视野增强，以改善交通管理系统中受恶劣天气影响的图像检测精度。

    Apr, 2023

  • 高效单图像去雾的特征传递

    本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

    Apr, 2019

  • DehazeNet：单幅图像去雾的端到端系统

    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

  • 多尺度增强除雾网络与密集特征融合

    本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络，包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容，实验表明该方法在公开数据集和实际雾霾图像上表现优异。

    Apr, 2020

  • FAMED-Net: 一个快速精确的多尺度端到端除雾网络

    本文介绍了一种快速准确的多尺度端到端去雾网络 FAMED-Net，该网络采用三种规模的编码器和融合模块，通过级联、密集连接的点卷积层和池化层实现图像去雾，实验证明其在计算效率、恢复精度及跨集泛化方面具有卓越性能。

    Jun, 2019

  • 基于多尺度时域特征的动态擦除网络用于弱监督视频异常检测

    弱监督视频异常检测中，提出了一种动态擦除网络（DE-Net），能够学习多尺度时空特征，处理异常事件时长变化并评估异常检测的完整性。该方法在 XD-Violence、TAD 和 UCF-Crime 三个数据集上表现良好。

    Dec, 2023

  • FriendNet：适用于目标检测的去雾网络

    该论文通过结合图像恢复和目标检测，提出了一种提升恶劣天气条件下目标检测性能的有效架构 FriendNet，并通过引导信息和任务驱动学习实现了适合检测的去雾技术。

    Mar, 2024

  • 通过超网络提高基于事件的视频重建的性能

    本研究提出了一种基于动态神经网络架构的事件重建算法 HyperE2VID，使用超网络和动态卷积生成自适应滤波器，并结合上下文融合模块，以从事件体素网格和先前重建的强度图像中获得信息，采用课程式学习策略来训练网络，实验结果表明，HyperE2VID 具有更好的重建质量，参数更少，推理时间更短。

    May, 2023