使用双线性组合损失函数的图像去雾
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
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
本文提出了一种新的称为Densely Connected Pyramid Dehazing Network(DCPDN)的端到端单一图像去雾方法,该方法可以联合学习传输图、大气光和去雾。该论文的方法在去雾过程中采用物理学驱动的散射模型,使用新的保边损失函数进行优化,并引入基于生成性对抗网络框架的联合鉴别器以进一步合并估计的传输图和去雾结果间的相互结构信息。实验表明,该方法在去雾效果上取得了显着提高。
Mar, 2018
本文提出了一种新的Ranking Convolutional Neural Network (Ranking-CNN)模型,通过支持新颖的ranking layer实现了对大规模雾图像块的自动特征学习,从而有效地去除雾霾,优于现有多种去雾方法。
Jan, 2020
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
使用深度神经网络中的 Separable Hybrid Attention(SHA)模块,联合密度图来建模全球雾的密集度分布,有效地处理了雾的影响,使新的去雾网络架构的性能优于当前所有技术,从而在图像去雾领域取得了最佳性能。
Nov, 2021
该研究论文通过提出一种创新的去雾网络(CL2S)来解决当前图像去雾领域中物理模型的局限性。CL2S建立在DM2F模型的基础上,通过消融实验确定DM2F存在的问题,并将原始对数函数模型替换为三角(正弦)模型,以更好地适应复杂和多变的雾分布。该方法还整合了大气散射模型和其他基本函数,以增强去雾性能。实验结果表明,CL2S在多个去雾数据集上取得了出色的性能,特别是在保持图像细节和颜色真实性方面。此外,通过对DM2F进行有系统的消融实验证实了DM2F引起的担忧,并确认了所提出的CL2S模型中功能组件的必要性和有效性。我们的代码可在https://github.com/YesianRohn/CL2S获得,相应的预训练模型也可访问。
May, 2024