Dec, 2017

Retinex 与图像去雾之间的对偶性

PDF
TL;DR本研究证明了 Retinex 算法和图像去雾问题之间的简单线性关系，并将 Retinex 算法应用于倒置后的灰度图像以解决图像去雾问题。实验结果表明，这种方法可以与更复杂的雾霾去除方法媲美。
image dehazingretinexcomputer visionimage enhancementfog removal
发现论文，激发创造
  • DI-Retinex：低光图像增强的数字成像 Retinex 理论

    通过对数字成像中的 Retinex 理论进行理论和实验分析，本文提出了一种名为数字成像 Retinex 理论（DI-Retinex）的新表达式，该表达式包括增强模型中的偏移项，允许使用非线性映射函数进行像素级亮度对比度调整，并通过 Gamma 空间提出了一种图像自适应掩蔽逆恢复损失来解决低光增强问题，同时设计了一种方差抑制损失来调节附加偏移项，实验结果表明我们的方法在视觉质量、模型大小和速度等方面优于所有现有的无监督方法，还可以在低光条件下辅助人脸检测器，与其他方法相比，在低光增强后面部检测的性能增益最显著。

    Apr, 2024

  • 基于无监督 Retinex 嵌入的可控光照去雾网络

    本文提出了一种基于 IC （Illumination Controllable）技术和 Transformer 的多输出去雾网络，并通过定性和定量实验验证了其有效性。

    Jun, 2023

  • 夜间光照矫正下的雾霾去除

    提出了一种新的夜间雾天成像模型和高效的消除夜间雾天影响的算法，包括三个步骤：整体亮度增强，色彩平衡和去除雾效应。实验结果表明，该算法可以实现良好的颜色再现能力。

    Jun, 2016

  • Diff-Retinex: 用生成扩散模型重新思考低光照图像增强

    通过提出一种物理可解释的、生成扩散模型 (Diff-Retinex) 来重新思考低光图像增强任务，将低光图像增强问题形式化为 Retinex 分解和条件图像生成，并通过生成扩散模型实现对低光细节的修复。在真实世界低光数据集上进行的广泛实验定性和定量地证明了所提方法的有效性、优越性和泛化性。

    Aug, 2023

  • DHFormer：基于视觉 Transformer 的图像去雾注意力模块

    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

  • 低光照增强的深度 Retinex 分解

    该论文提出了一种基于深度学习的 Retinex 模型，可以更好地应对不同环境下光照不足的图像增强问题，通过红外辅助拍摄低光图像构建了一个 LOL（Low-Light）数据集，并使用其中的图像进行训练，实验结果表明该方法在增强低光图像质量方面具有很好的效果。

    Aug, 2018

  • 深度信息辅助的协同互推网络用于单图像去雾

    提出了一种双任务协同相互促进的框架，它通过深度估计和去雾任务的交互机制来实现单一图像的去雾，从而有效地提升它们的性能。实验结果表明，该方法的性能优于现有方法。

    Mar, 2024

  • 单幅图像除雾的视觉 Transformer

    本文提出了 DehazeFormer，一种用于图像去雾的改进模型，比传统模型具有更好的效果。模型在多个数据集上进行了实验，表明 DehazeFormer 比当前最先进的方法表现更好。此外，我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。

    Apr, 2022

  • 雾霾去除是否有助于基于 CNN 的图像分类？

    通过实验结果，发现现有的图像去雾方法不能显著改善图像分类性能，有时会甚至会降低图像分类性能。

    Oct, 2018

  • 具有空间频率感知和逼真亮度约束的半监督夜晚去雾基线

    我们提出了一种半监督模型来解决现实世界夜间去雾问题，通过采用空间注意力和频率谱滤波进行信息交互处理以处理夜间模糊场景，设计了基于伪标签和局部窗口的亮度损失的重新训练策略，以抑制雾气和光晕并实现真实亮度。通过对公共基准的实验证实了所提方法的有效性和优越性。源代码和补充材料位于指定的网址。

    Mar, 2024