CVPRDec, 2017

DR-Net：弱监督细化引导的传输定向单图去雾网络

PDF
TL;DR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。
发现论文，激发创造
  • 深度网络的联合透射映射估计和去雾

    该论文提出了一种新的方法，即通过端到端学习框架来同时估计透射率图和去雾结果，相对于现有的方法，该方法在合成和真实数据集上均能达到显著的改善。

    Aug, 2017

  • 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

  • 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

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    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

  • 学习聚合传输传播网络以实现雾霾去除及拓展

    本文设计了一种新的残差结构来整合先验信息和数据信息，以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。

    Nov, 2017

  • 图像去雾的变分正则化传输细化方法

    本文提出了一种利用两个不同的透射率图加权融合的粗略估计版本以及增强正则化项的混合变分模型进行精细调节透射率图的去雾算法，并成功地应用于保留重要图像细节和抑制不良伪影的图像去雾成像中，具有很高的竞争力。

    Feb, 2019

  • 密集连接金字塔去雾网络

    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

  • 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

  • 基于注意力机制的多尺度网格去雾网络

    GridDehazeNet 是一种端到端可训练的卷积神经网络，用于单图像去雾。其包括预处理、骨干和后处理三个模块，在预处理模块中可以生成具有更好多样性和相关特征的输入。骨干模块实现基于注意力的多尺度估计，可以有效缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助于减少最终输出中的伪影。实验结果表明，GridDehazeNet 在合成和实际场景中都优于现有技术。提出的去雾方法不依赖于大气散射模型，并解释了为什么即使只考虑合成图像上的去雾结果，利用大气散射模型的降维优势也未必有益。

    Aug, 2019

  • 一种级联卷积神经网络用于单幅图像去雾

    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