本文提出了一种高阶协同网络,其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块,有助于实现去雨滴效果的提高,并通过自我监督学习方法来提高模型性能。
Feb, 2022
本文提出了一种新的半监督视频去雨方法,其中采用动态雨生成器来适应雨层,以更好地描绘其深刻的特征。该方法具有良好的性能,并可同时编码雨渍的物理结构和时间连续性变化,通过设计不同的先验格式,充分利用标记合成和未标记真实数据之间的共同知识,使用蒙特卡罗 EM 算法进行求解。
Mar, 2021
探索和建模降雨生成机制对于增加配对数据减轻降雨图像处理模型的训练任务至关重要,该研究提出了一种新颖的基于深度学习的降雨生成器,充分考虑了降雨背后的物理生成机制,并将基本降雨因素(即形状、方向、长度、宽度和稀疏度)的学习明确地编码到深度网络中。我们首次通过合理采用滤波器参数化技术实现了一个在降雨因素上可精细控制且能够纯粹通过数据学习这些因素的深度网络。我们的生成实验表明,由提出的降雨生成器生成的降雨不仅质量更高,而且对于去雨和下游任务比目前最先进的降雨生成方法更有效。此外,我们的配对数据增强实验,包括分布内和分布外(OOD),进一步验证了我们模型生成的样本的多样性,用于分布内去雨和 OOD 泛化任务。
Mar, 2024
本文设计了一种新的多任务深度学习体系结构,通过分解网络将雨图像分为干净的背景和雨层,进而进行去雨处理和图像恢复。实验结果表明,该结构在速度快、效果好方面表现优秀,同时具有广泛的应用前景。
Apr, 2018
本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法,可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题,并通过对真实雨天数据进行测试和评估,证明该方法在图像修复和细节保护方面优于其他现有的方法。
Apr, 2019
本研究提出一个半自动的方法来生成高质量的干净图像,并构建了一个大规模的数据集,以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network(SPANet)以本地到全局的方式移除雨条带,并取得了与现有去雨技术相当的优异性能。
本文提出了一种探索非配对样本的双重对比学习方式,在深度特征空间中了解非配对样本的共同属性,开发出有效的无配对单影像去雨敌对框架称为 DCD-GAN。它包括双向翻译分支 (BTB) 和对比指导分支 (CGB),通过计算机实验表明,与现有的无配对去雨方法相比,在合成和真实世界数据集上,我们的方法表现优异,并且与多个全监督或半监督模型产生可比较的结果。
Sep, 2021
该研究利用自监督限制所提出的无监督去雨生成对抗网络 (UD-GAN) 解决了单幅图像去雨中标注 - 监督约束缺失等问题并在多种基准测试集和不同训练设置下表现出卓越的去雨效果。
Nov, 2018
本文提出了一种 Paired Rain Removal 网络(PRRNet),它在去除降雨图像上利用了语义信息和立体影像,并展示了其在单 ocular 和构建的立体降雨数据集上优于其他算法的性能。
May, 2021
本文提出了一种基于深度学习架构,通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题,并通过使用二进制雨斑图和重复的雨检测实现更好的效果。
Sep, 2016