DADFNet:双注意与双频率引导除雾网络,用于视频驱动的智能交通
该论文通过结合图像恢复和目标检测,提出了一种提升恶劣天气条件下目标检测性能的有效架构 FriendNet,并通过引导信息和任务驱动学习实现了适合检测的去雾技术。
Mar, 2024
提出了一种用于超高清晰度交通监控的双域引导实时低光图像增强网络(DDNet),通过编码器 - 解码器结构将增强处理分为两个子任务(即颜色增强和梯度增强),实现了对颜色和边缘特征的同时增强,能够提高在低光环境下转运监控的图像处理效率和质量,并通过标准和与交通相关的数据集的评估实验证明了该方法相对于现有方法在增强质量和效率方面的优势,并在物体检测和场景分割实验中展示了在低光环境中进行高级图像分析的实际效益。
Sep, 2023
FALCON 是一种单图像去雾系统,利用频域操作来扩大感知范围,通过连续密度掩模来处理大气散射模型,具备在实时应用领域(如自动驾驶)中获得最新性能的能力。
Jul, 2024
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
本文提出了基于卷积神经网络的端到端视频去雾网络 (EVD-Net), 用于利用连续视频帧之间的时间一致性,并在多种结构选项上进行了彻底的研究,以确定最佳的时间融合策略。此外,我们还建立了一个端对端联合视频去雾和检测网络 (EVDD-Net),通过将 EVD-Net 与视频目标检测模型连接并进行联合训练,得到的增强型端对端流水线在模糊视频的检测结果上表现出更稳定和更准确的结果。
Sep, 2017
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
基于雨天对成像系统正常运行的重大影响,本文提出了一种双支路注意力融合网络的方法,旨在解决多维图像特征融合的问题,通过引入两个支路的网络结构和注意力融合模块,完成了完备的消融实验和足够的对比实验,证明了该方法的合理性和有效性。
Jan, 2024
本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像,该结构在关注机制、残差学习和特征融合等多方面进行了改进,最终在单幅图像去雾方面取得了最新的最好结果。
Nov, 2019
本研究提出了一种全面的、端到端的生成对抗网络,结合了融合鉴别器 (FD-GAN),它可以更自然、更真实地生成去雾图像,并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能,取得了更具视觉效果的去雾结果。
Jan, 2020
我们开发了一种创新的双路径耦合去雨网络(DPCNet),通过空间特征提取块(SFEBlock)和频率特征提取块(FFEBlock)在空间和频率域中整合信息,并引入了一种有效的自适应融合模块(AFM)来进行双通路径特征聚合。该方法在六个公共去雨基准和下游视觉任务上进行了大量实验证明,不仅超越了现有的最先进去雨方法,而且在下游视觉任务中具有出色的鲁棒性和视觉效果。
Feb, 2024