CVPRApr, 2023

高分辨率图像去雾的全局局部特征组合器（SGLC）

PDF
TL;DR本研究提出了 “简化的全局和局部特征组合器 (SGLC)” 来优化任何去雾模型在高分辨率图像上的应用，通过生成强有力的全局特征和增强局部特征细节来解决合并全局和局部特征的问题，并通过 PSNR 指标的显著增加来验证了该方法的有效性。
image dehazinghigh-resolutionglobal and local featuresstreamlined global and local features combinatorpsnr metric
发现论文，激发创造
  • 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

  • 高效单图像去雾的特征传递

    本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

    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

  • 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

  • 一种基于 GAN 的单幅图像去雾输入尺寸灵活性模型

    本文提出了一种基于生成对抗网络的图像翻译方法，用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络，以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾，并具有较高的效率。

    Feb, 2021

  • 全局 - 局部分步生成网络用于超高分辨率图像恢复

    该论文介绍了使用全局 - 局部渐进式生成网络（GLSGN）来恢复超高分辨率图像，该模型利用四个恢复路径（三个局部路径和一个全局路径）进行恢复，其中局部路径聚焦于在局部但高分辨率的图像路径上进行细粒度的图像恢复，而全局路径则在缩小但完整的图像上大范围地进行图像恢复，以提供包括语义和噪声模式在内的全局视图的线索。同时该论文还介绍了第一个用于超高分辨率去反射和去雨纹的数据集，并展示了 GLSGN 在三个典型的背景恢复任务中的卓越性能。

    Jul, 2022

  • 用于单幅图像去雾的门控融合网络

    本研究提出了一种基于神经网络的端对端算法，采用融合策略从浑浊图像中直接恢复出清晰图像，并实现多尺度处理以避免光晕伪影，实验证明该方法在合成和真实图像中都有优于现有算法的表现。

    Mar, 2018

  • DFR-Net: 图像去雾的密度特征优化网络利用雾密度差异

    本研究提出了一种名为密度特征细化网络（DFR-Net）的密度感知去雾方法，利用密度差异提取雾霾密度特征并利用其进行特征细化。通过生成相对较低整体密度的建议图像和提取去雾残差以检测局部密度差异，该方法在全局和局部上实现了对密度的感知，达到了超越现有方法的效果。

    Jul, 2023

  • 准确且轻量级的去雾方法：多接受野非局部网络和新型对比正则化

    提出了一种基于多接收域非局部网络（MRFNLN）的图像去雾方法，该方法利用深度学习方法提取有用特征，并通过多流特征注意力块（MSFAB）和交叉非局部块（CNLB）实现对图像去雾的优化，同时引入了新颖的细节聚焦对比正则化（DFCR）以提高模型性能。

    Sep, 2023

  • 利用分割技术改善图像去雾效果

    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