AAAINov, 2019

FFA-Net：用于单幅图像去雾的特征融合注意力网络

PDF
TL;DR本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像，该结构在关注机制、残差学习和特征融合等多方面进行了改进，最终在单幅图像去雾方面取得了最新的最好结果。
end-to-endfeature fusionhaze removalattention-basedneural network
发现论文，激发创造
  • 特征注意力网络（FA-Net）：基于深度学习的水下单张图像增强方法

    提出了一种基于深度学习和特征注意力的端到端网络（FA-Net），用于解决水下图像处理和分析中的低频信息限制问题，其中 Residual Feature Attention Block (RFAB) 结合了通道注意力，像素注意力和残差学习机制，并通过多跳连接跳过低频信息，取得了比现有方法更高的定量和定性精度以及优越性。

    Aug, 2023

  • 逐层特征融合网络用于逼真图像去雾

    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

  • 基于注意力机制的多尺度网格去雾网络

    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

  • 多尺度增强除雾网络与密集特征融合

    本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络，包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容，实验表明该方法在公开数据集和实际雾霾图像上表现优异。

    Apr, 2020

  • 高效准确的多尺度拓扑网络用于单幅图像去雾

    本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

    Feb, 2021

  • 高效单图像去雾的特征传递

    本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

    Apr, 2019

  • 用于单幅图像去雾的门控融合网络

    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

  • FAMED-Net: 一个快速精确的多尺度端到端除雾网络

    本文介绍了一种快速准确的多尺度端到端去雾网络 FAMED-Net，该网络采用三种规模的编码器和融合模块，通过级联、密集连接的点卷积层和池化层实现图像去雾，实验证明其在计算效率、恢复精度及跨集泛化方面具有卓越性能。

    Jun, 2019

  • FriendNet：适用于目标检测的去雾网络

    该论文通过结合图像恢复和目标检测，提出了一种提升恶劣天气条件下目标检测性能的有效架构 FriendNet，并通过引导信息和任务驱动学习实现了适合检测的去雾技术。

    Mar, 2024

  • 混合结构块图像去雾网络 MixDehazeNet

    本文提出一种称为 MixDehazeNet 的新型多结构图像去雾网络框架，其中包括多尺度并行大卷积核模块和增强型并行注意力模块，可有效解决现有方法在忽视多尺度属性和不充分考虑不均匀雾分布方面的问题，并在三个基准测试中进行了广泛实验验证。

    May, 2023