Apr, 2018

单幅图像去雨的残差引导特征融合网络

PDF
TL;DR本文提出了一种基于深度学习的残差引导特征融合网络 ResGuideNet，用于单幅图像去雨，通过级联网络和轻深度残差引导深层块来逐步预测高质量重建，并使用递归卷积构建每个块来实现监督，从而在石墨和真实数据上获得了更好的性能。
single image derainingdeep learningfeature fusion networkresidualscomputer vision
发现论文，激发创造
  • 在线更新的高阶协作网络用于单图像去雨

    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

  • 具有残差通道先验指导的结构保持去雨

    本文提出了一种基于 CNN 的雨水去除算法，即通过提取图像的 RCP 实现结构信息的保护和恢复，同时利用 Wavelet-based Multi-Level Module 作为网络的骨干，通过 Interactive Fusion Module 实现 RCP 信息的充分利用，以此生成更加清晰精细的去雨图像。

    Aug, 2021

  • 基于对比学习的递归动态多尺度网络用于图像去雨

    本文提出了一个基于对比学习的图像去雨方法，使用递归动态多尺度网络来提高降雨性能，实现了优秀的效果并超越了现有方法，并且该方法在客观检测和语义分割方面也表现出了很好的性能。

    May, 2023

  • 清空天空：针对单幅图像雨水去除的深度网络架构

    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

  • 通过成对降级特征向量引导解锁低照度雨天图像恢复

    本文介绍 $L^{2} RIRNet$ 神经网络，旨在实现同时处理低光和降雨的任务，此外还提出了两个有效工具 —— 快速傅里叶 - ResNet 的细节引导模块和低光 - 雨图像合成与真实数据集。

    May, 2023

  • 单幅图像去雨的多尺度逐步融合网络

    此文介绍了一种基于多尺度协作表示法的单图像除雨方法，利用尺度空间和分层深度特征构建多尺度渐进融合网络，采用循环计算来捕捉全局纹理信息，引入注意力机制实现对不同尺度信息的精细融合，从而提高了模型的训练效率，在多个基准数据集上达到了最先进的除雨结果，启发了视觉任务驱动图像除雨的新研究方向。

    Mar, 2020

  • 使用尺度感知多阶段循环网络进行单张图像去雨处理

    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

  • 用于单幅图像去雨的多尺度沙漏层级融合网络

    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

  • DCSFN：用于单幅图像去雨的深度跨尺度融合网络

    本文提出了一种基于多子网络和跨尺度融合的图像降雨去除方法，使用 Gate Recurrent Unit 对这些子网络进行跨尺度融合，并设计了一种内部尺度连接块，通过不同尺度之间的特征融合来提高雨的表示能力，实验结果表明，与现有方法相比，该方法具有优越性能。

    Aug, 2020

  • 递归挤压 - 激励上下文聚合网络用于单图像去雨

    本研究提出了一种基于深度卷积和循环神经网络的新型深度网络架构，用于单幅图像去雨。实验表明，在多个评估指标下，该方法优于现有的技术。

    Jul, 2018