May, 2023

SimHaze：用于实际除雾的游戏引擎模拟数据

PDF
TL;DR本文提出了一种基于计算机图形学的生成配对干净 - 有雾图像的方法，并利用这个方法生成 SimHaze，一个新的合成雾数据集，此数据集可以用于训练去雾模型。通过使用此数据集进行训练，最新的去雾模型的性能明显优于以前的去雾数据集。
deep modelssingle-image dehazingcomputer graphicssimhazesynthetic haze dataset
发现论文，激发创造
  • 4K-HAZE: 一种拥有 4K 分辨率的去雾基准测试，包含有雾及无雾图像

    通过开发一种新的合成方法来模拟 4K 模糊图像，然后利用 GAN 将合成的图像迁移到真实模糊域，最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集，称为 4K-HAZE 数据集，用于评估现有的单图像除雾方法，并讨论其限制和社会影响。

    Mar, 2023

  • I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试

    介绍了一个新的数据集 - I-HAZE，包含由真实雾气生成的 35 对室内图像，便于比较图像去雾算法的表现。

    Apr, 2018

  • Dense Haze: 一份针对具有浓雾和无雾图像的图像去雾基准测试

    本研究提出 Dense-Haze 数据集，并对其进行了全面的定性和定量评估，结果表明，现有的去雾技术在稠密均匀的雾霾场景中表现较差，仍有很大的改进空间。

    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

  • O-HAZE: 一个真实室外有雾和无雾图像的去雾基准测试

    该研究介绍了第一个户外场景数据库（名为 O-HAZE），由一组真实的带雾和对应的无雾图像组成，用于比较最先进的除雾技术，并揭示了当前技术的局限性和一些底层假设问题。

    Apr, 2018

  • 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

  • 感知和建模密度是图像去雾所需要的全部

    使用深度神经网络中的 Separable Hybrid Attention（SHA）模块，联合密度图来建模全球雾的密集度分布，有效地处理了雾的影响，使新的去雾网络架构的性能优于当前所有技术，从而在图像去雾领域取得了最佳性能。

    Nov, 2021

  • NH-HAZE: 具有非均质模糊和无模糊图像的图像去雾基准测试

    本研究提供了第一个包含非均一雾的真实数据集（NH-HAZE），用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况，并对多种最先进的去雾方法进行了评估。

    May, 2020

  • 低光雾天场景的可见性增强

    本文提出了一种新方法来增强暗光雾霭场景的可见性，通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成，实验证明该方法在各项指标上的效果优于现有方法，并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。

    Aug, 2023