Jun, 2020

只看你自己：无监督和未训练的单幅图像去雾神经网络

PDF
TL;DR本文提出了一种名为 YOLY 的新型方法，采用三个子网络将观察到的混浊图像分成几个潜在层，并通过无监督和未经训练的特征实现图像去雾，实现了在无需清洁图像和图像库的情况下采用深度学习进行图像去雾的目的。
image dehazingdeep learningunsupervised neural networkuntrained modellayer disentanglement
发现论文，激发创造
  • D-YOLO: 逆境天气条件下的稳健物体检测框架

    通过设计双路网络和注意力特征融合模块，并提出一个子网络来为检测网络提供无霾特征，我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能，实验证明 D-YOLO 相比现有方法具有更优异的性能表现，是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。

    Mar, 2024

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性 mean-teacher 网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法在数量和质量方面都有明显的提高。

    Aug, 2021

  • 高质量自监督深度图像去噪

    利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

    Jan, 2019

  • 水下图像无监督雾霾去除

    该研究提供了一种使用无配对数据的方法来消除水下图像中的雾，并使用雾分离网络 (HDN) 将雾和内容信息从水下图像中分离出来，并将分离的成分分别用于对抗性学习和循环一致性损失函数的再现和重建，结果表明该方法在多个数据集上均优于现有的方法。

    Jun, 2023

  • Cycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾

    本文提出了一种称为 Cycle-Dehaze 的端到端网络，用于单图像去雾问题，无需对成对的模糊和对应的真实图像进行训练，此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式，以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明，该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。

    May, 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

  • 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

  • Self2Self+: 自监督学习与图像质量评估损失的单图像降噪

    利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。

    Jul, 2023

  • 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

  • Blind2Unblind: 自监督图像去噪与可见盲点

    该论文提出了一个名为 Blind2Unblind 的简单而有效的方法来克服盲点驱动去噪方法中的信息丢失问题，该方法采用全局感知掩模映射器和可重视损失来提高性能，实验表明该方法在合成和真实世界数据集上优于以前的工作。

    Mar, 2022