CVPRMay, 2018

Cycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾

PDF
TL;DR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。
cycle-dehazesingle image dehazingdeep learningperceptual lossesatmospheric scattering
发现论文，激发创造
  • 一种基于 GAN 的单幅图像去雾输入尺寸灵活性模型

    本文提出了一种基于生成对抗网络的图像翻译方法，用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络，以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾，并具有较高的效率。

    Feb, 2021

  • DehazeNet：单幅图像去雾的端到端系统

    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

  • 高效单图像去雾的特征传递

    本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

    Apr, 2019

  • 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

  • 用于单幅图像去雾的门控融合网络

    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

  • 逐层特征融合网络用于逼真图像去雾

    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

  • 紧凑型单图像去雾的对比学习

    本文提出了一种对比正则化方法，用于将雾图像和清晰图像用作负样本和正样本，从而更好地训练去雾网络。同时，提出了一种基于自动编码器 (AE) 框架的紧凑型去雾网络，命名为 AECR-Net，得到了比现有方法更好的效果。

    Apr, 2021

  • 迈向域不变的单张图像去雾

    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

  • 深度网络的联合透射映射估计和去雾

    该论文提出了一种新的方法，即通过端到端学习框架来同时估计透射率图和去雾结果，相对于现有的方法，该方法在合成和真实数据集上均能达到显著的改善。

    Aug, 2017

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    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