ECCVAug, 2020

使用反投影金字塔网络进行各种雾霾场景下的单张图像去雾

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 使用生成对抗网络进行单幅图像去雾

    本文提出了一种利用改良条件生成对抗网络的端到端学习的方法，采用 Tiramisu 模型代替传统的 U-Net 模型作为生成器，使用基于贴片的鉴别器来减少输出图像中的伪喷雾，并设计了混合加权损失函数来提高输出图像的感知质量，实验结果表明，该模型在合成和真实世界喷雾图像上与现有技术水平相当。

    Oct, 2018

  • PANet：一种基于物理引导的参数增强网络用于图像去雾

    本文提出了一种物理引导的参数增强网络 (PANet)，用于生成逼真的有雾和无雾训练对，以有效提升实际环境下的图像去雾性能。实验结果表明，PANet 可以增加多样逼真的有雾图像，丰富现有的有雾图像基准，从而有效提升最先进的图像去雾模型的性能。

    Apr, 2024

  • 密集连接金字塔去雾网络

    本文提出了一种新的称为 Densely Connected Pyramid Dehazing Network（DCPDN）的端到端单一图像去雾方法，该方法可以联合学习传输图、大气光和去雾。该论文的方法在去雾过程中采用物理学驱动的散射模型，使用新的保边损失函数进行优化，并引入基于生成性对抗网络框架的联合鉴别器以进一步合并估计的传输图和去雾结果间的相互结构信息。实验表明，该方法在去雾效果上取得了显着提高。

    Mar, 2018

  • 多尺度增强除雾网络与密集特征融合

    本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络，包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容，实验表明该方法在公开数据集和实际雾霾图像上表现优异。

    Apr, 2020

  • 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

  • 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