May, 2023

通过成对降级特征向量引导解锁低照度雨天图像恢复

PDF
TL;DR本文介绍 $L^{2} RIRNet$ 神经网络，旨在实现同时处理低光和降雨的任务，此外还提出了两个有效工具 —— 快速傅里叶 - ResNet 的细节引导模块和低光 - 雨图像合成与真实数据集。
low-light enhancementderainingnetworkimage restorationdataset
发现论文，激发创造
  • 单幅图像去雨的残差引导特征融合网络

    本文提出了一种基于深度学习的残差引导特征融合网络 ResGuideNet，用于单幅图像去雨，通过级联网络和轻深度残差引导深层块来逐步预测高质量重建，并使用递归卷积构建每个块来实现监督，从而在石墨和真实数据上获得了更好的性能。

    Apr, 2018

  • 基于语义先验的并行立体去雨网络：超越单目去雨

    本文提出了一种 Paired Rain Removal 网络（PRRNet），它在去除降雨图像上利用了语义信息和立体影像，并展示了其在单 ocular 和构建的立体降雨数据集上优于其他算法的性能。

    May, 2021

  • NightRain：夜间视频除雨基于自适应除虹和自适应校正

    该研究介绍了 NightRain，一种新颖的夜间视频去雨方法，使用自适应去雨和自适应校正来处理复杂的光效影响，通过使用无标签雨天视频进行训练，达到了超越现有方法的卓越性能，PSNR 值为 26.73dB，超过了其他方法 13.7% 的幅度。

    Jan, 2024

  • 基于对比学习的递归动态多尺度网络用于图像去雨

    本文提出了一个基于对比学习的图像去雨方法，使用递归动态多尺度网络来提高降雨性能，实现了优秀的效果并超越了现有方法，并且该方法在客观检测和语义分割方面也表现出了很好的性能。

    May, 2023

  • MDeRainNet：大像素图像雨痕去除的高效神经网络

    我们提出了一种名为 MDeRainNet 的高效网络，用于去除光场图像中的雨线，该网络采用多尺度编码器 - 解码器架构，在 Macro-pixel 图像上直接进行操作以提高雨线去除性能，并且借助 Extended Spatial-Angular Interaction (ESAI) 模块来完全建模空间和角度信息之间的全局相关性，并引入半监督学习框架以改善网络在现实场景中的泛化性能。经过对合成和真实光场图像的广泛实验证明，我们的方法在定量和定性上均优于现有方法。

    Jun, 2024

  • 在线更新的高阶协作网络用于单图像去雨

    本文提出了一种高阶协同网络，其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块，有助于实现去雨滴效果的提高，并通过自我监督学习方法来提高模型性能。

    Feb, 2022

  • 具有空间注意力机制的高清真实雨数据集单图像去雨方法

    本研究提出一个半自动的方法来生成高质量的干净图像，并构建了一个大规模的数据集，以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network（SPANet）以本地到全局的方式移除雨条带，并取得了与现有去雨技术相当的优异性能。

    Apr, 2019

  • 单幅图像去雨的潜在退化表示约束

    通过引入方向感知编码器（DAEncoder）、UNet 去雨网络和多尺度交互块（MSIBlock），该论文提出一种新颖的潜在退化表示约束网络（LDRCNet），用于自适应地提取潜在的退化表示、显式约束退化表示学习，并通过信息交互实现各种复杂雨滴模式的去除和图像细节的重构，实验结果表明我们的方法达到了最新的最优性能。

    Sep, 2023

  • DRD-Net: 细节恢复图像去雨算法 —— 基于上下文聚合网络

    本文提出了一种细节恢复图像去雨网络，该网络包括由挤压激发操作与残差块组合的雨雾残余网络、结构细节上下文聚合块（SDCAB）和细节修复网络，并通过定量和定性比较表明，我们的方法在去雨稳健性和细节准确性方面优于现有的图像去雨方法。

    Aug, 2019

  • NiteDR: 跨视传感器协作学习的动态驾驶场景夜间图像去雨

    针对夜间行驶场景中受雨水降解影响、图像质量和能见度下降的问题，我们开发了一个夜间行驶场景下的图像去雨框架，通过可见光和红外图像的跨视图融合，去除雨痕、丰富场景表征并恢复有用信息，实验证明了我们提出的跨视图合作学习方法在低光强雨水环境下具有较好效果，并弥补了现有去雨算法在特定低光条件下的利用缺口。

    Feb, 2024