清晰见天空:基于去雨的图像修复
本研究提出一个半自动的方法来生成高质量的干净图像,并构建了一个大规模的数据集,以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network(SPANet)以本地到全局的方式移除雨条带,并取得了与现有去雨技术相当的优异性能。
Apr, 2019
本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法,可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题,并通过对真实雨天数据进行测试和评估,证明该方法在图像修复和细节保护方面优于其他现有的方法。
Apr, 2019
使用水滴去除方法,通过利用多视角图像来预测水滴的位置并训练神经放射场恢复清晰的三维场景,实验结果显示我们的方法在去除水滴的同时生成了清晰的三维场景,优于现有的水滴去除方法。
Mar, 2024
本文针对单幅图像去雨算法进行了全面的研究和评估,建立了一个大规模的数据集作为对比基准,其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容,并将其分为雨纹、雨滴、雨和雾三个子集,每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准,从全参考度量到零参考度量,到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性,并提出了有前途的未来方向。
Mar, 2019
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
我们提出了一种联合解决降雨去除和 RAW 图像处理问题的方法,通过从降雨的 RAW 数据中合成含有雨痕的 RAW 数据以及干净的彩色图像,再进行彩色校正,实现从降雨的 RAW 图像中得到清晰的彩色图像,并且在与已有方法的比较中表现更好。
Dec, 2023
基于概率模型的图像修复算法,通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能,并且在实际测试图像方面具有很强的泛化性能。
Jul, 2022
本文针对强降雨情况下图像和视频的降雨除去问题进行了深入研究,发现深度学习技术的降雨去除方法更容易受到针对性的对抗攻击,因此本文综合比较了不同深度学习算法在人类感知和机器分析任务下的降雨去除效果及其对于对抗攻击的鲁棒性。除此之外,本文还结合审核结果构建了一种更加鲁棒的降雨除去技术,同时还对各类面向降雨除去问题的对抗攻击及其对于人类和机器视觉任务的影响进行了分析,并提供了可供使用的代码。
Mar, 2022