多尺度增强除雾网络与密集特征融合
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
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
我们提出了一种快速的深度多块分层网络,通过聚合来自迷雾图像不同空间段的多个图像块的特征,从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比,我们的方法提供更快的运行时,并展示了在密集雾去除方面相对于其他最先进模型的优势。
May, 2020
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。
Nov, 2019
提出了一种名为 BPPNet 的背投影金字塔网络结构,其中包括多个复杂度级别的学习和多尺度结构信息,通过 UNet 和金字塔卷积块的迭代块合并构建生成器,并借助反向投影进行学习,使得该网络能够对密集雾和不均匀雾等各种具有挑战性的飘雾条件进行良好性能的训练,利用可能的少至 20 个图像配对就能进行训练而不会过拟合,并且在 NTIRE 2018,NTIRE 2019 以及 NTIRE 2020 数据集上表现出业界领先的性能。
Aug, 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