学习聚合传输传播网络以实现雾霾去除及拓展
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
本文提出了一种基于编码器 - 解码器网络和空间感知通道注意机制的去雾算法,并引入一种贪婪本地化数据增强机制以确保去除影响后的图像的一致性,为了消除人工合成图像与真实数据集之间的差异,提出了对抗性的先验引导框架来确保性能一致性,并在实验中取得了最先进的效果。
Jan, 2021
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
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
提出了一种名为 BPPNet 的背投影金字塔网络结构,其中包括多个复杂度级别的学习和多尺度结构信息,通过 UNet 和金字塔卷积块的迭代块合并构建生成器,并借助反向投影进行学习,使得该网络能够对密集雾和不均匀雾等各种具有挑战性的飘雾条件进行良好性能的训练,利用可能的少至 20 个图像配对就能进行训练而不会过拟合,并且在 NTIRE 2018,NTIRE 2019 以及 NTIRE 2020 数据集上表现出业界领先的性能。
Aug, 2020
在遥感和无人机应用中,高质量图像是至关重要的,但大气雾霾严重影响图像质量,因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点,还探讨了去雾技术在遥感和无人机数据集中的应用,全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战,包括缺乏大规模遥感数据集和需要更加稳健的评估指标,并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近(截至 2024 年)的图像去雾方法的综述,包括基于无人机图像的内容。
May, 2024