CVPRMay, 2020

NH-HAZE: 具有非均质模糊和无模糊图像的图像去雾基准测试

PDF
TL;DR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。
image dehazingreference datasetrealistic datasetsnon-homogeneous hazeobjective assessment
发现论文，激发创造
  • Dense Haze: 一份针对具有浓雾和无雾图像的图像去雾基准测试

    本研究提出 Dense-Haze 数据集，并对其进行了全面的定性和定量评估，结果表明，现有的去雾技术在稠密均匀的雾霾场景中表现较差，仍有很大的改进空间。

    Apr, 2019

  • O-HAZE: 一个真实室外有雾和无雾图像的去雾基准测试

    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

  • I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试

    介绍了一个新的数据集 - I-HAZE，包含由真实雾气生成的 35 对室内图像，便于比较图像去雾算法的表现。

    Apr, 2018

  • NTIRE 2020 非均匀去雾挑战赛

    本文回顾了 NTIRE 2020 关于非均质去雾图像的挑战，重点关注解决方案及其结果，对使用非均质人工生成的 NH-Haze 数据集进行了评估，并提出的方案在图像去雾领域达到了最先进水平。

    May, 2020

  • 基于数据的视觉变换器非同质去雾方案

    该研究提出了一种结合了 RGB 通道变换和最新 Transformers 的创新图像去雾方法，以缩小 NH-HAZE23 数据集和其他数据集之间的分布差距，并在非均质雾的情况下提高去雾性能。

    Apr, 2023

  • 4K-HAZE: 一种拥有 4K 分辨率的去雾基准测试，包含有雾及无雾图像

    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

  • 一种两支路神经网络用于非均质去雾的集成学习

    本文提出了一种简单而有效的经过集成学习的非均质去雾方法，该方法使用两个分支神经网络分别处理非均质去雾难题，并通过可学习的融合模块将它们的特征映射到一起，实现了在有限的数据情况下提高去雾效果的目的。

    Apr, 2021

  • 单幅图像去雾及深度学习评估

    本文使用 RESIDE 数据集，对现有的单幅图像去雾算法进行了全面的研究和评估，提出了丰富的评价指标从多个角度进行度量，并通过实验比较了现有算法的优缺点，探索了未来的研究方向。

    Dec, 2017

  • 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

  • 使用合成基准进行夜间去雾

    本研究提出了一种名为 3R 的新型合成方法来模拟夜间模糊图像，它可从白天清晰图像中重构场景几何结构，模拟光线和目标反射，并最终呈现雾霾效果。其在合成基准测试中的试验结果表明，其优于现有的最新方法，这对于解决夜晚图像处理中缺乏大规模基准数据集的问题非常有帮助。

    Aug, 2020