Apr, 2018

O-HAZE: 一个真实室外有雾和无雾图像的去雾基准测试

PDF
TL;DR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。
发现论文，激发创造
  • I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试

    介绍了一个新的数据集 - I-HAZE，包含由真实雾气生成的 35 对室内图像，便于比较图像去雾算法的表现。

    Apr, 2018

  • NH-HAZE: 具有非均质模糊和无模糊图像的图像去雾基准测试

    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

  • Dense Haze: 一份针对具有浓雾和无雾图像的图像去雾基准测试

    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

  • 4K-HAZE: 一种拥有 4K 分辨率的去雾基准测试，包含有雾及无雾图像

    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

  • SimHaze：用于实际除雾的游戏引擎模拟数据

    本文提出了一种基于计算机图形学的生成配对干净 - 有雾图像的方法，并利用这个方法生成 SimHaze，一个新的合成雾数据集，此数据集可以用于训练去雾模型。通过使用此数据集进行训练，最新的去雾模型的性能明显优于以前的去雾数据集。

    May, 2023

  • 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

  • 单幅图像去雾及深度学习评估

    本文使用 RESIDE 数据集，对现有的单幅图像去雾算法进行了全面的研究和评估，提出了丰富的评价指标从多个角度进行度量，并通过实验比较了现有算法的优缺点，探索了未来的研究方向。

    Dec, 2017

  • 使用合成基准进行夜间去雾

    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

  • 无关深度的单幅图像去雾

    提出了一种基于合成数据集和全局洗牌策略的解决方案，用于改进单图像去雾问题的深度学习训练方法，并介绍了一个基于卷积跳跃连接模块的改进网络结构，该模块能够以较低的计算成本实现更好的性能。

    Jan, 2024

  • NTIRE 2020 非均匀去雾挑战赛

    本文回顾了 NTIRE 2020 关于非均质去雾图像的挑战，重点关注解决方案及其结果，对使用非均质人工生成的 NH-Haze 数据集进行了评估，并提出的方案在图像去雾领域达到了最先进水平。

    May, 2020