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
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
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
本研究提出了一种全面的、端到端的生成对抗网络,结合了融合鉴别器 (FD-GAN),它可以更自然、更真实地生成去雾图像,并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能,取得了更具视觉效果的去雾结果。
Jan, 2020
本研究提出了一种基于神经网络的端对端算法,采用融合策略从浑浊图像中直接恢复出清晰图像,并实现多尺度处理以避免光晕伪影,实验证明该方法在合成和真实图像中都有优于现有算法的表现。
Mar, 2018
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
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
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
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