Nov, 2021

感知和建模密度是图像去雾所需要的全部

PDF
TL;DR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。
image dehazinghaze density modelingdeep neural networkssha modulestate-of-the-art
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

  • 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

  • DHFormer：基于视觉 Transformer 的图像去雾注意力模块

    提出了一种使用残差学习和视觉转换器的注意模块的方法，首先估计残差图像，然后通过卷积层和全局上下文转换器编码器获取通道注意力，最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。

    Dec, 2023

  • 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

  • Dense Haze: 一份针对具有浓雾和无雾图像的图像去雾基准测试

    本研究提出 Dense-Haze 数据集，并对其进行了全面的定性和定量评估，结果表明，现有的去雾技术在稠密均匀的雾霾场景中表现较差，仍有很大的改进空间。

    Apr, 2019

  • 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

  • 高质量图像去雾扩散模型

    提出了 DehazeDDPM：基于 DDPM 和物理感知的图像去雾框架，适用于复杂的浑浊场景，通过利用大气散射模型（ASM）进行物理建模，并与 DDPM 的强大生成能力相结合，补偿因浓雾引起的巨大信息损失。实验证明，该方法在合成和真实世界的浑浊数据集上取得了最先进的性能。

    Aug, 2023

  • 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

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性 mean-teacher 网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法在数量和质量方面都有明显的提高。

    Aug, 2021