Mar, 2023

4K-HAZE: 一种拥有 4K 分辨率的去雾基准测试，包含有雾及无雾图像

PDF
TL;DR通过开发一种新的合成方法来模拟 4K 模糊图像，然后利用 GAN 将合成的图像迁移到真实模糊域，最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集，称为 4K-HAZE 数据集，用于评估现有的单图像除雾方法，并讨论其限制和社会影响。
4kdehazingsynthetic methoddepth estimationbenchmark dataset
发现论文，激发创造
  • 使用合成基准进行夜间去雾

    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

  • 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

  • I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试

    介绍了一个新的数据集 - I-HAZE，包含由真实雾气生成的 35 对室内图像，便于比较图像去雾算法的表现。

    Apr, 2018

  • O-HAZE: 一个真实室外有雾和无雾图像的去雾基准测试

    该研究介绍了第一个户外场景数据库（名为 O-HAZE），由一组真实的带雾和对应的无雾图像组成，用于比较最先进的除雾技术，并揭示了当前技术的局限性和一些底层假设问题。

    Apr, 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

  • 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

  • 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

  • 走向超高清图像去雨：一个基准和一个高效方法

    本文针对超高清（UHD）图像降雨的问题，提出了一个大规模的 UHD 图像降雨数据集 4K-Rain13k，包含 13,000 个 4K 分辨率的图像对。在此基础上，我们对处理 UHD 图像的现有方法进行了基准研究。此外，我们开发了一种有效且高效的视觉 MLP 架构（UDR-Mixer）来更好地解决这个问题。通过广泛的实验结果表明，我们的方法在性能上优于最先进的方法，同时保持较低的模型复杂性。

    May, 2024

  • 实现高效稳健的超高清图像去莫尔纹

    本文提出了一种针对超高清图像去莫尔纹的方法，首次建立了 UHDM 数据集并在其中进行了基准研究，提出了一种有效的基准模型 ESDNet，其中包括语义对齐的尺度感知模块以解决莫尔纹图案的尺度变化问题，实验证明该方法在性能和效率方面优于当前领先的方法。

    Jul, 2022

  • 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