Jun, 2022

深度学习消除天问 - 1 号图像中的大规模沙尘暴

PDF
TL;DR本文提出了一种利用地球成像除雾知识解决火星上除尘问题的方法，该方法采用天问一号遥感图像，通过手动选择数量众多的清洁和含尘图像，通过训练神经网络，成功地消除了火星上尘暴对图像质量的影响，并提高了其地貌和地形数据的精度。
marsdust stormtopographygeomorphologyimage dehazing
发现论文，激发创造
  • 探测和修复被大气尘埃遮挡的 HiRISE 图像补丁

    通过使用 Dust Image Classifier（准确度为 94.05%）自动过滤由大气尘埃遮挡的图像，并设计了一个预测流水线来分类和存储这些有灰尘的区域，同时使用基于自编码器的去噪器和 Pix2Pix GAN 对部分遮挡图像进行去噪（SSIM 指数分别为 0.75 和 0.99）。

    May, 2024

  • 用于 NetsDB 的 Transformer 架构

    通过使用在 Resnet-50 上进行精调的 Dust Image Classifier，自动过滤受大气尘埃阻挡的图片，并设计一个预测管道来分类和储存这些有尘印的照片。此外，还使用基于 Auto Encoder 的降噪器和 Pix2Pix GAN（SSIM 指数分别为 0.75 和 0.99）对部分受阻图片进行去噪。

    May, 2024

  • 利用卫星数据进行尘埃气溶胶检测的机器学习算法综述

    本文回顾了使用卫星上的传感器和基于机器学习的方法研究尘暴现象的努力，并发现多光谱方法和机器学习的结合是视觉化和定量分析中最成功的。

    Apr, 2024

  • 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

  • 基于颜色校正和新成员函数的快速尘沙图像增强

    基于颜色校正和新的成员函数，提出了一种新的模型来增强沙尘图像，包括颜色偏移校正、雾霾去除和对比度亮度增强，并通过多张真实沙尘图像的测试和评估，实验结果表明该模型在有效去除红色和黄色偏移以及提供高质量和多样化的沙尘图像方面优于当前的研究。

    Jul, 2023

  • 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

  • RB-Dust—— 基于参考的视觉除尘数据集

    本研究介绍了以视觉技术为基础的农业灰尘去除方法，并提供了用于验证的 RB-Dust 数据集。

    Jun, 2023

  • 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

  • SimHaze：用于实际除雾的游戏引擎模拟数据

    本文提出了一种基于计算机图形学的生成配对干净 - 有雾图像的方法，并利用这个方法生成 SimHaze，一个新的合成雾数据集，此数据集可以用于训练去雾模型。通过使用此数据集进行训练，最新的去雾模型的性能明显优于以前的去雾数据集。

    May, 2023

  • 雾霾去除是否有助于基于 CNN 的图像分类？

    通过实验结果，发现现有的图像去雾方法不能显著改善图像分类性能，有时会甚至会降低图像分类性能。

    Oct, 2018