Nov, 2018

用于图像去雾和去雨的门控上下文聚合网络

PDF
TL;DR本研究提出了一种直接恢复最终无雾图像的端到端门控上下文聚合网络方法，采用最新的平滑膨胀技术帮助消除由扩张卷积引起的网格状伪影，并利用门控子网络融合不同层次的特征。广泛的实验表明，所提出的方法在定量和定性上都能超越以前的最先进方法。此外，我们还将所提出的方法应用于图像去雨任务，同样取得了最先进的性能；代码已在 https URL 上公开发表。
发现论文，激发创造
  • 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

  • DRD-Net: 细节恢复图像去雨算法 —— 基于上下文聚合网络

    本文提出了一种细节恢复图像去雨网络，该网络包括由挤压激发操作与残差块组合的雨雾残余网络、结构细节上下文聚合块（SDCAB）和细节修复网络，并通过定量和定性比较表明，我们的方法在去雨稳健性和细节准确性方面优于现有的图像去雨方法。

    Aug, 2019

  • 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

  • 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

  • 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

  • 学习聚合传输传播网络以实现雾霾去除及拓展

    本文设计了一种新的残差结构来整合先验信息和数据信息，以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。

    Nov, 2017

  • Cycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾

    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。

    May, 2018

  • 一种级联卷积神经网络用于单幅图像去雾

    本文介绍了一种用于单一模糊图像恢复的级联 CNN 方法，该方法同时考虑了介质透射和全局大气光。使用该方法可以更准确和有效地去除室外天气带来的雾霾问题，并优于现有的去雾方法。

    Mar, 2018

  • 基于注意力机制的多尺度网格去雾网络

    GridDehazeNet 是一种端到端可训练的卷积神经网络，用于单图像去雾。其包括预处理、骨干和后处理三个模块，在预处理模块中可以生成具有更好多样性和相关特征的输入。骨干模块实现基于注意力的多尺度估计，可以有效缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助于减少最终输出中的伪影。实验结果表明，GridDehazeNet 在合成和实际场景中都优于现有技术。提出的去雾方法不依赖于大气散射模型，并解释了为什么即使只考虑合成图像上的去雾结果，利用大气散射模型的降维优势也未必有益。

    Aug, 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