CVPRApr, 2023

RIDCP: 通过高质量码本先验恢复真实图像去雾

PDF
TL;DR本文提出了一种基于深度学习的新范式，通过合成更真实的数据和引入更强的先验知识来处理真实世界中的雾霾图像。所提出的 Real Image Dehazing 网络（RIDCP）结合高质量的 Codebook Priors 来处理多种复杂的视觉退化现象，其效果优于传统物理散射模型的处理方式，并能显著提高图像的清晰度。经过大量实验证明了这种模型对合成数据和真实数据的处理能力。
dehazingreal-imagesynthetic-datadeep learningprior
发现论文，激发创造
  • 基于一致性标签生成器和协同展开网络的真实世界图像去雾

    真实世界图像去雾任务中，我们首先引入了一个协作展开网络来恢复受雾影响的细节，同时提出了第一个面向去雾任务的迭代式均值教师框架，该框架可以生成高质量的伪标签用于网络训练，并通过优化标签池来挑选高质量的候选样本并分配权重以优先选择不受雾影响的区域，实验证明我们的方法在去雾任务上达到了最先进的性能。

    Jun, 2024

  • 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

  • ODCR: 正交解耦对比正则化用于无配对图像去雾

    本文提出了一种名为 ODCR 的 UID 新方法，该方法基于图像包含影响雾度的与雾无关的特征，通过在 Stiefel 流形上优化的正交多层感知机将图像特征投影到正交空间，使得去雾结果中的与雾相关特征与清晰图像中的特征类似，而与雾无关特征与输入有雾图像中的特征相近，同时引入了 DWFC 任务驱动的深度特征分类器和 WPNCE 加权补丁负例（Weighted PatchNCE）损失来优化去雾结果。实验证明 ODCR 方法在 UID 上具有优越性能。

    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

  • 紧凑型单图像去雾的对比学习

    本文提出了一种对比正则化方法，用于将雾图像和清晰图像用作负样本和正样本，从而更好地训练去雾网络。同时，提出了一种基于自动编码器 (AE) 框架的紧凑型去雾网络，命名为 AECR-Net，得到了比现有方法更好的效果。

    Apr, 2021

  • 无监督使用暗通道先验损失的单张图像除雾

    本文提出一种完全无监督的将实际户外图像用于深度学习的单张图像去雾方法，该方法利用先前研究中广泛使用的暗通道先验能量函数进行训练，提高了结果的质量，并与大规模监督方法相当。

    Dec, 2018

  • 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

  • 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述

    在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

    May, 2024

  • Cycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾

    本文提出了一种称为 Cycle-Dehaze 的端到端网络，用于单图像去雾问题，无需对成对的模糊和对应的真实图像进行训练，此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式，以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明，该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。

    May, 2018

  • 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