一种级联卷积神经网络用于单幅图像去雾
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
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
本文提出了一种新的 Ranking Convolutional Neural Network (Ranking-CNN)模型,通过支持新颖的 ranking layer 实现了对大规模雾图像块的自动特征学习,从而有效地去除雾霾,优于现有多种去雾方法。
Jan, 2020
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
本研究提出了一种基于神经网络的端对端算法,采用融合策略从浑浊图像中直接恢复出清晰图像,并实现多尺度处理以避免光晕伪影,实验证明该方法在合成和真实图像中都有优于现有算法的表现。
Mar, 2018
本文提出一种基于语义特征推断颜色先验和估计周围照明的新方法,比单纯使用卷积神经网络学习雾霾相关先验的方法更能有效地去除单张图像中的雾霾。实验证明,该语义方法在合成图像和真实雾霾图像上显示了较高的性能。
Apr, 2018
本文提出了一种称为 Cycle-Dehaze 的端到端网络,用于单图像去雾问题,无需对成对的模糊和对应的真实图像进行训练,此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式,以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明,该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。
May, 2018
本文提出了一种基于编码器 - 解码器网络和空间感知通道注意机制的去雾算法,并引入一种贪婪本地化数据增强机制以确保去除影响后的图像的一致性,为了消除人工合成图像与真实数据集之间的差异,提出了对抗性的先验引导框架来确保性能一致性,并在实验中取得了最先进的效果。
Jan, 2021