Dense Haze: 一份针对具有浓雾和无雾图像的图像去雾基准测试
本研究提供了第一个包含非均一雾的真实数据集(NH-HAZE),用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况,并对多种最先进的去雾方法进行了评估。
May, 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
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
本文提出了一种基于计算机图形学的生成配对干净 - 有雾图像的方法,并利用这个方法生成 SimHaze,一个新的合成雾数据集,此数据集可以用于训练去雾模型。通过使用此数据集进行训练,最新的去雾模型的性能明显优于以前的去雾数据集。
May, 2023
通过开发一种新的合成方法来模拟 4K 模糊图像,然后利用 GAN 将合成的图像迁移到真实模糊域,最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集,称为 4K-HAZE 数据集,用于评估现有的单图像除雾方法,并讨论其限制和社会影响。
Mar, 2023
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
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
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