AAAIMar, 2023

DarkVisionNet：基于 RGB-NIR 融合和深度不一致性先验的低光成像

PDF
TL;DR本研究提出一个名为 “暗视觉网络” 的新的 RGB-NIR 融合算法，采用 Deep Structure 和 Deep Inconsistency Prior 技术来提取图像结构细节和引导 RGB-NIR 的融合。在新的 Dark Vision Dataset 上的定量和定性结果表明，该算法在 PSNR 和 SSIM 方面显著优于其他比较算法，特别是在极低光条件下。
rgb-nir fusionlow-light imagingdeep structuredeep inconsistency priordark vision net
发现论文，激发创造
  • VIFNet：一种用于图像去雾的端到端可见 - 红外融合网络

    设计了一个可见 - 红外融合网络用于图像去雾，并通过多尺度深度结构特征提取模块和不一致性加权融合策略，充分利用红外图像的信息来改善效果，实验证明 VIFNet 优于现有方法。

    Apr, 2024

  • 远程感知中基于近红外和低秩适应的视觉变换网络

    使用视觉转换器 (ViT) 的预训练骨干网络与低秩适应 (LoRA) 在 NIR 领域的下游任务中，通过广泛实验表明，能够实现对 NIR 图像的最佳性能。

    May, 2024

  • 使用深度卷积神经网络的红外图像上色

    本文介绍了一种使用深度多尺度卷积神经网络将 RGB 彩色谱转换为近红外 (NIR) 图像的方法，通过 NIR 和 RGB 像素之间的直接集成传输来训练模型，不需要任何用户指导或参考图像数据库，在召回阶段生成具有自然外观的图像，并通过保留 NIR 图像的丰富细节，将其高频特征转移至估算的 RGB 图像，本方法在一个真实世界的数据集上进行了训练和评估，该数据集包含大量夏季道路场景图像，由多 CCD NIR/RGB 相机捕获，保证了完美的像素对齐。

    Apr, 2016

  • NIR 辅助图像去噪：一种选择性融合方法与真实世界基准数据集

    通过有效利用近红外图像辅助可见光图像去噪，提出了一种选择性融合模块（SFM）来解决近红外 - 可见光图像去噪的内容不一致和数据稀缺等问题，并通过综合全局和局部调节的方式实现了两种特征的融合。实验结果表明，该方法在合成和真实数据集上均取得了优于现有方法的效果，同时还提供了公开的数据集、代码和预训练模型。

    Apr, 2024

  • 24 小时彩色成像一体化增强解决方案

    本研究提出了一种新的集成增强算法，通过分离可见光和近红外信息并将其自适应增强，在白天和黑夜都能产生清晰的彩色图像，实验结果显示其效果显著。

    May, 2020

  • 基于融合网络的亮度、深度和颜色信息用于语义分割

    本文提出了一种名为 LDFNet 的新型解决方案，通过融合网络来综合利用亮度，深度和颜色信息，以提高 RGB-D 语义分割任务的性能，实验表明其潜力和适用性

    Sep, 2018

  • 适用于暗光环境的可见光限制宽带照明光谱设计

    该篇论文提出了一种通过设计宽带 VIS-NIR 范围内的辅助照明的最佳光谱，来优化 NIR2RGB 翻译的方法，以实现在完全黑暗条件下的图像捕获。

    Mar, 2023

  • 基于单一示例的可见光和红外自我监督融合训练

    该研究提出了一种可见光与近红外图像融合的方法，通过使用 RGBT 传感器获取的可见图像和近红外通道的信息，利用 SSIM 损失和边缘保护等技术进行融合，并在实验证明相比其他方法，该方法在多光谱融合方面取得了更好的结果。

    Jul, 2023

  • DFuseNet: RGB 和稀疏深度信息的深度融合，用于图像引导的密集深度完成

    本文提出了一种卷积神经网络，它可以基于高分辨率强度图像得出上采样一系列稀疏范围测量的上下文线索，并且在网络中分离、融合两种模态的上下文线索，旨在利用两种模态之间的关系来产生准确的结果，同时尊重显著的图像结构。通过实验结果表明，该方法与当前最先进的方法相媲美，并可在多个数据集上进行有效泛化。

    Feb, 2019

  • VDIP-TGV: 基于总变差的变分深度图像先验增强的盲图像去卷积

    本文提出的 VDIP-TGV 模型将总体广义变分正规化与 VDIP 相结合，通过 TGV 补充额外的梯度信息，有效地恢复图像边缘和细节。此模型通过交替方向乘法器方法（ADMM）求解，定量和定性实验证明了 VDIP-TGV 优于各种最先进的模型。

    Oct, 2023