Feb, 2019

基于增强循环一致性对抗网络的端到端单图像去雾

HTML
PDF
TL;DR本研究提出了一种基于CycleGAN网络的端到端学习系统，借助对抗鉴别器和循环一致性损失来自动构建一个除雾系统，并且为此贡献了第一个真实世界的自然雾与雾不含的图像数据集。实验结果表明我们的方法可以有效地从雾图像中恢复出明亮的图像。
发现论文，激发创造
  • 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

  • 基于条件生成对抗网络的图像去雨

    本文提出了一种基于条件生成对抗网络的图像去雨算法(ID-CGAN)，以优化细化的损失函数为优化框架，考虑了定量、定性和辨别性能，经过测试，该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。

    Jan, 2017

  • 使用合成数据进行语义模糊场景理解

    本研究针对语义模糊场景理解进行了探索，使用人工合成的雾霾场景数据，并结合卷积神经网络进行了超像素级别的图像分割和对象检测，结果表明，该方法在实际应用中具有较高的实用价值。

    Aug, 2017

  • 使用完全合成数据进行雾天场景的语义理解

    本文提出了一种使用全新的纯合成数据进行实时雾天交通场景视觉分割的方法，并展示了其在真实数据上的适用性和与以往方法的对比优势。

    Oct, 2019

  • 半监督学习在浓雾场景下的光流估计

    本文提出了一种半监督深度学习方法，并使用真实的雾霾图像进行训练，使用了新的训练策略组合监督合成数据训练和非监督实际数据训练，在稠密的雾霾场景下，优化了光流估计，有着优越性能表现。

    Apr, 2020

  • 模拟图像转换用于雾气生成

    提出了一种通过模拟其中一种两种类型的图像来翻译在当前员工领域内无法获得数据，以添加天气影响效果的模型，实现了零样本图像转换能力，并在下游任务中显示了其益处。

    Jun, 2020

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性mean-teacher网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法在数量和质量方面都有明显的提高。

    Aug, 2021

  • 水下图像无监督雾霾去除

    该研究提供了一种使用无配对数据的方法来消除水下图像中的雾，并使用雾分离网络(HDN)将雾和内容信息从水下图像中分离出来，并将分离的成分分别用于对抗性学习和循环一致性损失函数的再现和重建，结果表明该方法在多个数据集上均优于现有的方法。

    Jun, 2023

  • WaveletFormerNet：基于Transformer的用于真实世界非均质和密集雾去除的小波网络

    本文提出了一种基于Transformer和小波的网络(WaveletFormerNet)用于现实世界中的雾图像恢复，它通过将离散小波变换嵌入到Vision Transformer中来缓解由于降采样导致的图像质量损失和颜色失真，同时引入了并行卷积和特征聚合模块以提高模型的性能和泛化能力。实验结果表明，WaveletFormerNet在雾图像恢复和计算机视觉应用中具有比现有方法更好的效果。

    Jan, 2024

  • SynFog：基于端到端成像模拟的逼真合成雾数据集，用于提升自动驾驶中的真实环境除雾技术

    通过综合考虑整个基于物理的雾景图像处理过程，本研究提出了一种端到端模拟流程，可以生成逼真的雾霾图像。通过该流程，我们创建了一个名为SynFog的新的人工合成雾霾数据集，包括天空光和主动照明条件，并提供三个不同浓度的雾霾。实验结果表明，在应用于现实中的雾霾图像时，基于SynFog训练的模型在视觉感知和检测准确性方面表现优异。

    Mar, 2024