模拟图像转换用于雾气生成
本研究针对语义模糊场景理解进行了探索,使用人工合成的雾霾场景数据,并结合卷积神经网络进行了超像素级别的图像分割和对象检测,结果表明,该方法在实际应用中具有较高的实用价值。
Aug, 2017
本文提出了一种新方法,名为Curriculum Model Adaptation(CMAda),该方法逐步从轻度合成雾到多步中的密集真实雾中,使用合成和真实雾数据将语义分割模型适应于真实的雾天情况。四个主要贡献:1)一种通过语义输入向真实的晴天场景添加合成雾的新方法;2)一种新的雾密度估计器;3)Foggy Zurich数据集,由3808个真实雾天图像组成16个具有密集雾级别的像素级语义注释。我们的实验表明,我们的雾模拟在语义雾气场景理解(SFSU)任务方面略优于最先进的相对竞争模拟;CMAda通过利用未标记的真实雾天数据显著提高了SFSU的最先进模型的性能。数据集和代码公开。
Aug, 2018
提出一种名为CMAda的方法,它可以逐步地将语义分割模型从轻度合成雾适应到多个步骤中的浓雾,从而解决了在不良天气下对物体场景的语义识别问题,并可以将其扩展到其他恶劣条件中。
Jan, 2019
本研究提出了一种基于CycleGAN网络的端到端学习系统,借助对抗鉴别器和循环一致性损失来自动构建一个除雾系统,并且为此贡献了第一个真实世界的自然雾与雾不含的图像数据集。实验结果表明我们的方法可以有效地从雾图像中恢复出明亮的图像。
Feb, 2019
本文提出了一种基于实例感知的图像翻译方法,通过使用细粒度的本地和全局风格来处理目标图像,从而实现更准确的线性重建并结合不同对象的多样属性,同时为目标域的局部和全局领域分别使用与源域相应空间区域匹配的风格,从而在精细度和粗糙度上同时受益,改进全局转换的质量,最后基于此方法构建了新的基准测试集并通过实验验证可以帮助实现通用对象检测。
May, 2019
本文介绍了一种利用综合方法实现数据域转换的深度学习算法ZeroScatter,并将其应用到解决在恶劣天气下自动驾驶过程中存在的缺陷,结果表明ZeroScatter优于现有的单目去雾方法。
Feb, 2021
本研究探讨深度学习图像去雨方法存在的问题,并提出了一种基于解耦图像转换的雨生成和去除方法,在合成和真实环境的数据集上进行实验并获得了更好的结果。
Mar, 2021
通过对抗学习目标,将单步扩散模型通过整合各种模块成为单一的端到端生成网络,以提高其保留输入图像结构并减少过拟合的能力,我们的模型在非配对设置下优于现有的基于GAN和扩散的方法,实现了各种场景转换任务,如昼夜转换和添加/删除雾、雪和雨等天气效果;在配对设置中,我们的模型与现有的作品如Sketch2Photo和Edge2Image的Control-Net不相上下,但具有单步推理。
Mar, 2024
提出D2SL框架,通过解耦雾化和语义学习任务,引入领域一致性转换策略和真实雾化转换策略,提高模型在雾化条件下的自适应能力和语义表达能力。
Apr, 2024