CVPRNov, 2017

一幅图像中雨滴去除的注意力生成对抗网络

PDF
TL;DR本文提出了一种基于生成对抗网络和视觉注意力机制的雨滴去除方法，成功地将雨滴污染的图像还原为干净图像，并取得了比同类方法更好的定量和定性效果。
raindrop removaldeep learninggenerative adversarial networkvisual attentionimage restoration
发现论文，激发创造
  • 用雨点进行对抗性攻击

    本文利用生成对抗网络（GAN）技术生成的对真实雨滴图像有很高相似度的对抗性雨滴图像（AdvRD）来对深度神经网络（DNNs）进行攻击，并展示使用 AdvRD 图像进行对抗性训练可以显著提高 DNNs 的对雨滴攻击的鲁棒性。

    Feb, 2023

  • 具有时间约束的视频雨滴去除与特征对齐

    本研究提出一种基于视频的贴附式雨滴去除方法，分为单图像模块和多帧模块两个阶段，前者使用雨滴去除网络生成初步结果，后者根据多帧输入和输出之间的时空关系进行进一步优化，采用非监督学习方法进行贴附式雨滴去除。

    May, 2022

  • 基于条件生成对抗网络的图像去雨

    本文提出了一种基于条件生成对抗网络的图像去雨算法 (ID-CGAN)，以优化细化的损失函数为优化框架，考虑了定量、定性和辨别性能，经过测试，该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。

    Jan, 2017

  • 重度雨天气图像修复：物理模型与条件对抗式学习的整合

    本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法，可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题，并通过对真实雨天数据进行测试和评估，证明该方法在图像修复和细节保护方面优于其他现有的方法。

    Apr, 2019

  • 基于条件生成对抗网络的逼真可见水印去除

    本文提出了一种基于条件生成式对抗网络的水印去除框架，该方法在大规模可见水印数据集上经过广泛实验验证，相对于现有技术，能够更加真实逼近照片级别的效果。

    May, 2019

  • 针对对抗攻击的鲁棒性降雨去除：一个全面的基准分析及其发展

    本文针对强降雨情况下图像和视频的降雨除去问题进行了深入研究，发现深度学习技术的降雨去除方法更容易受到针对性的对抗攻击，因此本文综合比较了不同深度学习算法在人类感知和机器分析任务下的降雨去除效果及其对于对抗攻击的鲁棒性。除此之外，本文还结合审核结果构建了一种更加鲁棒的降雨除去技术，同时还对各类面向降雨除去问题的对抗攻击及其对于人类和机器视觉任务的影响进行了分析，并提供了可供使用的代码。

    Mar, 2022

  • 双重注意力模型用于联合去除雨线和雨滴

    该研究提出了一个名为 DAiAM 的深度去雨网络，它包括两个 DAM，用于同时消除雨滴和雨 streak，DAiAM 通过两个关注映射，分别关注重雨区域和轻雨区域进行不同的导雨处理，同时还提出了一个 D-DAiAM 来解决一些难于处理的区域，并在实验中获得了最先进的效果。

    Mar, 2021

  • 单幅图像深度联合雨滴检测与去除

    本文提出了一种基于深度学习架构，通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题，并通过使用二进制雨斑图和重复的雨检测实现更好的效果。

    Sep, 2016

  • 具有空间注意力机制的高清真实雨数据集单图像去雨方法

    本研究提出一个半自动的方法来生成高质量的干净图像，并构建了一个大规模的数据集，以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network（SPANet）以本地到全局的方式移除雨条带，并取得了与现有去雨技术相当的优异性能。

    Apr, 2019

  • 无监督自监督约束下的单张图像去雨

    该研究利用自监督限制所提出的无监督去雨生成对抗网络 (UD-GAN) 解决了单幅图像去雨中标注 - 监督约束缺失等问题并在多种基准测试集和不同训练设置下表现出卓越的去雨效果。

    Nov, 2018