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
该研究提出了一种新的深度通道先验方法(DCP)和无监督特征增强模块(UFEM),用于解决自主车辆在恶劣视觉条件下的性能下降问题,通过在高稀疏特征空间中学习降级和清晰表示之间的映射关系,并在多任务和多数据集上验证了该方法的优越性能。
Apr, 2024
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
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
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
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
提出了一种使用残差学习和视觉转换器的注意模块的方法,首先估计残差图像,然后通过卷积层和全局上下文转换器编码器获取通道注意力,最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。
Dec, 2023
提出了一种双任务协同相互促进的框架,它通过深度估计和去雾任务的交互机制来实现单一图像的去雾,从而有效地提升它们的性能。实验结果表明,该方法的性能优于现有方法。
Mar, 2024
本研究提出了一种新型的无源无监督领域自适应(SFUDA)图像去雾范式,通过开发领域表征归一化模块,利用频率损失和物理先验损失指导无监督学习,插入我们的 DRN 模块,现有的源去雾模型能够去除未标记的真实模糊图像。
Jul, 2022
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