CVPRApr, 2021

一种两支路神经网络用于非均质去雾的集成学习

PDF
TL;DR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。
image dehazingdeep learningnon-homogeneous dehazingensemble learningneural network
发现论文，激发创造
  • 基于数据的视觉变换器非同质去雾方案

    该研究提出了一种结合了 RGB 通道变换和最新 Transformers 的创新图像去雾方法，以缩小 NH-HAZE23 数据集和其他数据集之间的分布差距，并在非均质雾的情况下提高去雾性能。

    Apr, 2023

  • 快速深度多补丁分层网络用于非均质图像去雾

    我们提出了一种快速的深度多块分层网络，通过聚合来自迷雾图像不同空间段的多个图像块的特征，从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比，我们的方法提供更快的运行时，并展示了在密集雾去除方面相对于其他最先进模型的优势。

    May, 2020

  • 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

  • 突破雾霾：基于快速傅里叶卷积和 ConvNeXt 的先进非均匀去雾方法

    该研究提出了一种新的两分支网络，利用 2D 离散小波变换、快速傅里叶卷积残差块和预训练的 ConvNeXt 模型来解决雾霾图像非均质去雾的问题，并进行了大量实验验证其有效性。

    May, 2023

  • 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

  • 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

  • NH-HAZE: 具有非均质模糊和无模糊图像的图像去雾基准测试

    本研究提供了第一个包含非均一雾的真实数据集（NH-HAZE），用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况，并对多种最先进的去雾方法进行了评估。

    May, 2020

  • 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

  • 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

    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。

    Aug, 2020

  • 使用排序卷积神经网络实现单张图像去雾

    本文提出了一种新的 Ranking Convolutional Neural Network （Ranking-CNN）模型，通过支持新颖的 ranking layer 实现了对大规模雾图像块的自动特征学习，从而有效地去除雾霾，优于现有多种去雾方法。

    Jan, 2020