Aug, 2018

非局部增强的编码器 - 解码器网络用于单张图像去雨

PDF
TL;DR本文主要介绍了一种有效的端到端神经网络结构的实现方法，并提出了一种非局部增强的编码 - 解码网络框架，以更高效学习不断抽象的特征表示，同时极大地保留图像细节。新网络框架组成了一系列非局部增强的密集块，旨在充分利用所有卷积层的分层特征，以及捕捉远距离的依赖关系和结构信息。实验表明，该方法在不同密度的雨天图像上可以有效地去除雨痕，并保留图像细节，优于最新的现有方法。
发现论文，激发创造
  • 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

  • 一种基于模型驱动的深度神经网络用于单图像雨水去除

    本文介绍了一种基于模型的深度神经网络，使用具有解释性和恰当的物理结构的数据结构，以实现单图像去雨任务的最先进性能，并通过端对端培训，自动提取所有雨滴核和接近算子，特别是在实际情况下具有更好的去雨性能。

    May, 2020

  • MDeRainNet：大像素图像雨痕去除的高效神经网络

    我们提出了一种名为 MDeRainNet 的高效网络，用于去除光场图像中的雨线，该网络采用多尺度编码器 - 解码器架构，在 Macro-pixel 图像上直接进行操作以提高雨线去除性能，并且借助 Extended Spatial-Angular Interaction (ESAI) 模块来完全建模空间和角度信息之间的全局相关性，并引入半监督学习框架以改善网络在现实场景中的泛化性能。经过对合成和真实光场图像的广泛实验证明，我们的方法在定量和定性上均优于现有方法。

    Jun, 2024

  • 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

  • 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

  • 单幅图像去雨的潜在退化表示约束

    通过引入方向感知编码器（DAEncoder）、UNet 去雨网络和多尺度交互块（MSIBlock），该论文提出一种新颖的潜在退化表示约束网络（LDRCNet），用于自适应地提取潜在的退化表示、显式约束退化表示学习，并通过信息交互实现各种复杂雨滴模式的去除和图像细节的重构，实验结果表明我们的方法达到了最新的最优性能。

    Sep, 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

  • SDNet：使用 Swin 的多分支单图像去雨方法

    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

  • 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

  • 单幅图像深度联合雨滴检测与去除

    本文提出了一种基于深度学习架构，通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题，并通过使用二进制雨斑图和重复的雨检测实现更好的效果。

    Sep, 2016