May, 2023

Prior Query Transformer 单昼夜的夜间雾霾移除

PDF
TL;DR提出了一种基于变压器的夜间图像去雾框架 NightHazeFormer，结合了半监督的微调策略和先验查询，同时创造了大规模的合成数据集 UNREAL-NH，表现优于现有的夜间去雾方法。
nighttime image dehazingtransformer-based frameworksemi-supervised fine-tuningprior queriessynthetic dataset
发现论文，激发创造
  • 使用合成基准进行夜间去雾

    本研究提出了一种名为 3R 的新型合成方法来模拟夜间模糊图像，它可从白天清晰图像中重构场景几何结构，模拟光线和目标反射，并最终呈现雾霾效果。其在合成基准测试中的试验结果表明，其优于现有的最新方法，这对于解决夜晚图像处理中缺乏大规模基准数据集的问题非常有帮助。

    Aug, 2020

  • 夜间光照矫正下的雾霾去除

    提出了一种新的夜间雾天成像模型和高效的消除夜间雾天影响的算法，包括三个步骤：整体亮度增强，色彩平衡和去除雾效应。实验结果表明，该算法可以实现良好的颜色再现能力。

    Jun, 2016

  • 具有空间频率感知和逼真亮度约束的半监督夜晚去雾基线

    我们提出了一种半监督模型来解决现实世界夜间去雾问题，通过采用空间注意力和频率谱滤波进行信息交互处理以处理夜间模糊场景，设计了基于伪标签和局部窗口的亮度损失的重新训练策略，以抑制雾气和光晕并实现真实亮度。通过对公共基准的实验证实了所提方法的有效性和优越性。源代码和补充材料位于指定的网址。

    Mar, 2024

  • 夜雾：基于自学先验的夜间图像去雾

    本文介绍了一种适用于夜晚图像增强的新方法，使用自学习先验学习和严格的数据增强，以改善图像中的夜雾，降低图像中的光照效果和噪声，并优化可见性。该方法通过提供强大的网络先验知识，提高了现有夜晚图像去雾方法的性能。

    Mar, 2024

  • 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

  • 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

  • DHFormer：基于视觉 Transformer 的图像去雾注意力模块

    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

  • 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

  • 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

  • DehazeNet：单幅图像去雾的端到端系统

    本文提出一种称为 DehazeNet 的端到端可训练系统，用于中介介质透射图的估计，以便于去除输入图像中的雾霾，并通过大气散射模型恢复无雾图像。DehazeNet 采用卷积神经网络（CNN）的深层架构，其层特别设计为体现图像去雾中已建立的假设 / 先验，包括使用 Maxout 单元的特征提取层和双边整流线性单元的非线性激活函数，实验表明 DehazeNet 具有优越的性能。

    Jan, 2016