Nov, 2020

针对航空图像去雾的领域感知无监督高光谱重建

PDF
TL;DR本文提出了一种基于 SkyGAN 的去雾方法，该方法包括领域感知的 H2H 模块和基于 cGAN 的多个图像转换模块，使用多光谱图像作为辅助信息，使用新的数据集 HAI 进行评估。
haze removalaerial imagesskyganhyperspectral dataimage dehazing
发现论文，激发创造
  • 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

  • 一种基于 GAN 的单幅图像去雾输入尺寸灵活性模型

    本文提出了一种基于生成对抗网络的图像翻译方法，用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络，以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾，并具有较高的效率。

    Feb, 2021

  • 无关深度的单幅图像去雾

    提出了一种基于合成数据集和全局洗牌策略的解决方案，用于改进单图像去雾问题的深度学习训练方法，并介绍了一个基于卷积跳跃连接模块的改进网络结构，该模块能够以较低的计算成本实现更好的性能。

    Jan, 2024

  • 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

  • DW-GAN：一种用于非均质去雾的离散小波变换 GAN

    提出了一种基于 2D 离散小波变换的去雾网络 (DW-GAN)，在 DWT 分支中利用小波变换来保留更多高频信息，采用 ImageNet 预训练的 Res2Net 来提高网络的泛化能力，并通过基于补丁的鉴别器来减少图像恢复的伪影，该方法在定量和定性上优于现有的去雾方法。

    Apr, 2021

  • 利用条件对抗网络进行空中光谱超分辨率

    本研究旨在应用条件对抗网络从空中高光谱数据推断出地面自然图像的光谱特征，通过使用 31 个光谱波段合成来自高光谱数据的 RGB 彩色图像训练网络，取得了 2.48 的最佳均方根误差，表明可以在空中图像中生成光谱特征。

    Dec, 2017

  • 使用生成对抗网络的无监督领域自适应在航空影像语义分割中的应用

    本文研究利用生成对抗网络减少领域适应在空中图像语义分割中的影响，并在实验中测试表明，在 Potsdam 领域（源领域）到 Vaihingen 领域（目标领域）的转变中，该方法将整体准确性从 35% 提高到 52%。

    May, 2019

  • 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

  • 具有空间频率感知和逼真亮度约束的半监督夜晚去雾基线

    我们提出了一种半监督模型来解决现实世界夜间去雾问题，通过采用空间注意力和频率谱滤波进行信息交互处理以处理夜间模糊场景，设计了基于伪标签和局部窗口的亮度损失的重新训练策略，以抑制雾气和光晕并实现真实亮度。通过对公共基准的实验证实了所提方法的有效性和优越性。源代码和补充材料位于指定的网址。

    Mar, 2024

  • 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