单幅图像去雾及深度学习评估
此研究旨在探索基于最近发布的真实单张图像去雾 (RESIDE) 基准数据集的相关但重要的两项任务:(i) 将单张图像去雾作为低级图像恢复问题;以及 (ii) 雾化图像的高级视觉理解(例如目标检测)。在第一个任务中,我们研究了各种损失函数,并表明,感知损失显著提高了去雾性能。在第二个任务中,我们提供了多种解决方案,包括在去雾检测级联中使用先进模块和域自适应目标检测器。在两项任务中,我们的提议解决方案显著提高了性能。
Jun, 2018
本文针对单幅图像去雨算法进行了全面的研究和评估,建立了一个大规模的数据集作为对比基准,其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容,并将其分为雨纹、雨滴、雨和雾三个子集,每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准,从全参考度量到零参考度量,到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性,并提出了有前途的未来方向。
Mar, 2019
本研究提供了第一个包含非均一雾的真实数据集(NH-HAZE),用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况,并对多种最先进的去雾方法进行了评估。
May, 2020
通过开发一种新的合成方法来模拟 4K 模糊图像,然后利用 GAN 将合成的图像迁移到真实模糊域,最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集,称为 4K-HAZE 数据集,用于评估现有的单图像除雾方法,并讨论其限制和社会影响。
Mar, 2023
该研究介绍了第一个户外场景数据库(名为 O-HAZE),由一组真实的带雾和对应的无雾图像组成,用于比较最先进的除雾技术,并揭示了当前技术的局限性和一些底层假设问题。
Apr, 2018
本研究提出 Dense-Haze 数据集,并对其进行了全面的定性和定量评估,结果表明,现有的去雾技术在稠密均匀的雾霾场景中表现较差,仍有很大的改进空间。
Apr, 2019
本研究提出了一种名为 3R 的新型合成方法来模拟夜间模糊图像,它可从白天清晰图像中重构场景几何结构,模拟光线和目标反射,并最终呈现雾霾效果。其在合成基准测试中的试验结果表明,其优于现有的最新方法,这对于解决夜晚图像处理中缺乏大规模基准数据集的问题非常有帮助。
Aug, 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