CVPRMay, 2023

突破雾霾：基于快速傅里叶卷积和 ConvNeXt 的先进非均匀去雾方法

PDF
TL;DR该研究提出了一种新的两分支网络，利用 2D 离散小波变换、快速傅里叶卷积残差块和预训练的 ConvNeXt 模型来解决雾霾图像非均质去雾的问题，并进行了大量实验验证其有效性。
发现论文，激发创造
  • DW-GAN：一种用于非均质去雾的离散小波变换 GAN

    提出了一种基于 2D 离散小波变换的去雾网络 (DW-GAN)，在 DWT 分支中利用小波变换来保留更多高频信息，采用 ImageNet 预训练的 Res2Net 来提高网络的泛化能力，并通过基于补丁的鉴别器来减少图像恢复的伪影，该方法在定量和定性上优于现有的去雾方法。

    Apr, 2021

  • 一种两支路神经网络用于非均质去雾的集成学习

    本文提出了一种简单而有效的经过集成学习的非均质去雾方法，该方法使用两个分支神经网络分别处理非均质去雾难题，并通过可学习的融合模块将它们的特征映射到一起，实现了在有限的数据情况下提高去雾效果的目的。

    Apr, 2021

  • 基于数据的视觉变换器非同质去雾方案

    该研究提出了一种结合了 RGB 通道变换和最新 Transformers 的创新图像去雾方法，以缩小 NH-HAZE23 数据集和其他数据集之间的分布差距，并在非均质雾的情况下提高去雾性能。

    Apr, 2023

  • 适频扩散模型用于实景去雾

    基于条件扩散模型的去雾方法利用深度学习，通过降低频谱偏差和模拟多样化的雾气，显著改进了真实世界图像去雾的效果。

    Aug, 2023

  • 快速深度多补丁分层网络用于非均质图像去雾

    我们提出了一种快速的深度多块分层网络，通过聚合来自迷雾图像不同空间段的多个图像块的特征，从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比，我们的方法提供更快的运行时，并展示了在密集雾去除方面相对于其他最先进模型的优势。

    May, 2020

  • 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

  • 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

  • 单幅图像除雾的视觉 Transformer

    本文提出了 DehazeFormer，一种用于图像去雾的改进模型，比传统模型具有更好的效果。模型在多个数据集上进行了实验，表明 DehazeFormer 比当前最先进的方法表现更好。此外，我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。

    Apr, 2022

  • 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