May, 2023

可变深度扩散的大气湍流校正

PDF
TL;DR本文提出了一种基于变分推断框架下的新型深度条件扩散模型来解决大气湍流校正问题，并在综合合成的 AT 数据集上进行了实验，结果表明该提议的框架取得了良好的定量和定性结果。
atmospheric turbulencediffusion modelsdeep learningimage restorationvariational inference
发现论文，激发创造
  • 基于领域适应的实际大气湍流校正

    我们在实际环境中提出了一种大气湍流妥协模型，利用领域自适应框架将有监督的模拟大气湍流校正与无监督的实际大气湍流校正相结合，从而提高实际大气湍流场景的性能，改善图像质量和下游视觉任务。

    Feb, 2024

  • 单帧大气湍流抑制：基准研究与一种新的物理启示 Transformers 模型

    本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真，利用该模型可以提取动态湍流失真图并恢复无失真图像，并收集了两个现实世界的湍流数据集，用经典数据和一种新的任务驱动度量来进行评估。

    Jul, 2022

  • 时空湍流抑制：一个翻译视角

    利用经典图像修复算法的直觉，我们提出了深度大气湍流抑制网络（DATUM），能够在深度学习方法中高效地执行长距离时序聚合，同时无缝地促进像素注册和幸运成像，并通过额外的监督来共同减轻倾斜和模糊退化，从而显著优于现有方法，并提供十倍的处理速度提升。

    Jan, 2024

  • 利用不确定性学习修复大气湍流下受损图像

    本文提出了基于深度学习的方法，利用蒙特卡罗实验退出的认知不确定性来恢复大气湍流影响下的退化单张图像，并利用估计的不确定性图来指导网络获取恢复图像。

    Jul, 2022

  • 利用视频序列深度视觉先验进行大气湍流去除

    基于自我监督学习的方法能够改善大气湍流扭曲效应，利用深度学习和时空先验能够提高图像质量。

    Feb, 2024

  • CVPR 2023 UG$^2$+ Challenge Track 2.2：大气湍流下编码目标恢复的第一种解决方案

    本文介绍了 VIELab-HUST 团队在 CVPR 2023 UG2+ Track 2.2 中，对经过大气湍流干扰后的编码目标进行图像恢复的高效多阶段框架，并在最终排行榜上获得第一名。

    Jun, 2023

  • CVPR 2023 UG$^{extbf {2}}$+ 挑战赛 2.1 解决方案：大气湍流下的文本识别

    我们团队 VIELab-HUST 在 CVPR 2023 UG$^{2}$+ 比赛的 2.1 赛道中，通过大气湍流识别文本，使用多级框架、基于清晰度的帧选择算法、区域图像融合和学习性去除伪影方法，成功地恢复了高质量的图像，并获得了第一名的准确度。

    Jun, 2023

  • 大气湍流抑制的等变模板配准

    通过模拟光流和引入隐函数模板，我们提出了一种强大的方法来恢复受大气湍流影响的图像的辐照度，该方法在注册中没有使用模板，避免了与模板初始化相关的伪影，并取得了最先进的性能。

    May, 2024

  • 如何在热适应目标检测模型上增强大气湍流效应？

    利用湍流图像增强技术改善在大气湍流环境下热适应和基于深度学习的目标检测模型的准确性和鲁棒性，研究表明，通过在模型训练中使用湍流特定的增强方法，可以显著提高检测湍流图像的准确性和鲁棒性。

    May, 2024

  • 大气湍流效应对热适应目标检测模型的增强

    本文分析了大气湍流对红外热成像中的目标检测性能的影响，通过使用几何扰动模型模拟了不同严重程度的大气湍流对多规模热成像数据集的影响，应用热域自适应和数据增强策略提高了目标检测器的性能。

    Apr, 2022