通过非对齐正则化策略实现视频去雾,包括参考帧匹配和视频去雾,验证了方法在真实驾驶视频去雾任务中优于当前最先进方法的优越性。
May, 2024
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
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
本文设计了一种新的残差结构来整合先验信息和数据信息,以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。
Nov, 2017
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
研究提出了将大型模型先验知识整合到低层计算机视觉任务中以避免过拟合和局部最优解,并演示了其在图像去雾中的有效性和适用性。
Jun, 2023
本研究提出了一种名为 3R 的新型合成方法来模拟夜间模糊图像,它可从白天清晰图像中重构场景几何结构,模拟光线和目标反射,并最终呈现雾霾效果。其在合成基准测试中的试验结果表明,其优于现有的最新方法,这对于解决夜晚图像处理中缺乏大规模基准数据集的问题非常有帮助。
Aug, 2020
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
PriorNet 是一种新颖、轻量且高度适用的去雾网络,通过引入 Multi-Dimensional Interactive Attention (MIA) 机制,显著提高了雾图像的清晰度和视觉质量,同时避免了过度细节提取等问题,具备优秀的去雾和图像清晰度恢复能力,且在普适性和可部署性方面表现突出。
Apr, 2024
提出了一种基于变压器的夜间图像去雾框架 NightHazeFormer,结合了半监督的微调策略和先验查询,同时创造了大规模的合成数据集 UNREAL-NH,表现优于现有的夜间去雾方法。
May, 2023