单图深度联合去雨霾技术
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
通过引入规模感知的多阶段卷积神经网络和并行子网络的概念,本文旨在解决在不同大小和方向的雨滴覆盖下,雨液、散射和透射造成的遮挡和降低对比度等问题,该方法在合成和实际图像上的实验显示,在雨滴去除方面具有创新性,并优于现有技术。
Dec, 2017
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
本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法,并设计了一个三分支模型,并提出了一个新的数据集 Rain3000 来验证模型的性能和效果,实验结果表明,该方法在公开数据集 Rain100L,Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。
May, 2021
提出了一种多尺度 Hourglass 分层融合网络 (MH2F-Net),通过多尺度提取、分层蒸馏和信息聚合来准确捕捉雨滴特征,采用残差投影特征融合策略逐步区分特征学习和聚合不同特征,与最新的去雨算法相比在合成和真实的数据集上展示了其有效性。
Apr, 2021
该研究介绍了一种名为 DerainNet 的基于深度卷积神经网络的图像去雨筋方法,并使用合成数据进行训练,提高了真实数据上的去雨效果,并在计算时间方面得到了显著提高。
Sep, 2016
本文提出了一种高阶协同网络,其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块,有助于实现去雨滴效果的提高,并通过自我监督学习方法来提高模型性能。
Feb, 2022
本研究提出了一种基于数据驱动和基于模型相结合的单幅图像去雨方法,通过使用 CNN,高频信息提取,特征转换,和使用注意机制的神经网络,实现了优异的效果。
May, 2023