雾霾去除是否有助于基于 CNN 的图像分类?
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
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。
Apr, 2018
本文提出了一种新方法来增强暗光雾霭场景的可见性,通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成,实验证明该方法在各项指标上的效果优于现有方法,并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。
Aug, 2023
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
使用深度神经网络中的 Separable Hybrid Attention(SHA)模块,联合密度图来建模全球雾的密集度分布,有效地处理了雾的影响,使新的去雾网络架构的性能优于当前所有技术,从而在图像去雾领域取得了最佳性能。
Nov, 2021
在遥感和无人机应用中,高质量图像是至关重要的,但大气雾霾严重影响图像质量,因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点,还探讨了去雾技术在遥感和无人机数据集中的应用,全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战,包括缺乏大规模遥感数据集和需要更加稳健的评估指标,并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近(截至 2024 年)的图像去雾方法的综述,包括基于无人机图像的内容。
May, 2024
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
提出了一种新的夜间雾天成像模型和高效的消除夜间雾天影响的算法,包括三个步骤:整体亮度增强,色彩平衡和去除雾效应。实验结果表明,该算法可以实现良好的颜色再现能力。
Jun, 2016