Jan, 2020

使用排序卷积神经网络实现单张图像去雾

PDF
TL;DR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。
single image dehazinghaze densityranking convolutional neural networkfeature learninghaze removal
发现论文，激发创造
  • 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

  • 一种级联卷积神经网络用于单幅图像去雾

    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

  • 语义单图像去雾

    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

  • 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

  • DehazeNet：单幅图像去雾的端到端系统

    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

  • 雾霾去除是否有助于基于 CNN 的图像分类？

    通过实验结果，发现现有的图像去雾方法不能显著改善图像分类性能，有时会甚至会降低图像分类性能。

    Oct, 2018

  • 迈向域不变的单张图像去雾

    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

  • 感知和建模密度是图像去雾所需要的全部

    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

  • 一种多功能去雾网络

    本文提出了一种基于卷积神经网络的图像去雾模型 AOD-Net，其通过一种新颖的端到端设计，直接生成干净图像，进而通过与 Faster R-CNN 模型的级联来提高雾图上的目标检测性能。实验结果表明，该模型在合成和自然雾图数据集上均表现出比现有模型更卓越的 PSNR, SSIM 和主观视觉质量表现。

    Jul, 2017

  • 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述

    在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

    May, 2024