高效单图像去雾的特征传递
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
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
本文提出了一种新的 Ranking Convolutional Neural Network (Ranking-CNN)模型,通过支持新颖的 ranking layer 实现了对大规模雾图像块的自动特征学习,从而有效地去除雾霾,优于现有多种去雾方法。
Jan, 2020
本文提出一种称为 DehazeNet 的端到端可训练系统,用于中介介质透射图的估计,以便于去除输入图像中的雾霾,并通过大气散射模型恢复无雾图像。DehazeNet 采用卷积神经网络(CNN)的深层架构,其层特别设计为体现图像去雾中已建立的假设 / 先验,包括使用 Maxout 单元的特征提取层和双边整流线性单元的非线性激活函数,实验表明 DehazeNet 具有优越的性能。
Jan, 2016
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
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
本研究提出了一种全面的、端到端的生成对抗网络,结合了融合鉴别器 (FD-GAN),它可以更自然、更真实地生成去雾图像,并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能,取得了更具视觉效果的去雾结果。
Jan, 2020
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
本文提出了一种基于生成对抗网络的图像翻译方法,用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络,以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾,并具有较高的效率。
Feb, 2021