Jul, 2023

基于不确定性驱动的多尺度特征融合网络用于实时图像去雨

PDF
TL;DR提出了一种基于不确定性驱动的多尺度特征融合网络 (UMFFNet)，用于图像去雨，通过学习成对图像之间的概率映射分布来估计不确定性，并利用不确定性信息动态增强获取的特征并集中于由雨迹遮挡的模糊区域，从而减少预测误差，对抗资源受限设备上的大参数使用困难，并在多个尺度上进行特征融合以提高网络性能。丰富的实验表明，UMFFNet 在减少参数数量的同时取得了显著的性能提升，超过了现有的图像去雨方法。
visual-based measurement systemsrainy weatherdeep networksuncertainty-driven multi-scale feature fusion networkimage deraining
发现论文，激发创造
  • 用于单幅图像去雨的多尺度沙漏层级融合网络

    提出了一种多尺度 Hourglass 分层融合网络 (MH2F-Net)，通过多尺度提取、分层蒸馏和信息聚合来准确捕捉雨滴特征，采用残差投影特征融合策略逐步区分特征学习和聚合不同特征，与最新的去雨算法相比在合成和真实的数据集上展示了其有效性。

    Apr, 2021

  • 基于不确定性引导的多尺度残差学习 —— 使用循环旋转 CNN 技术实现单张图像去雨

    提出了新方法 UMRL 网络解决了单张图像去雨的问题。通过学习不同尺度的雨图像并使用置信度控制器来改善去雨效果。这一方法在合成和真实的数据集上均取得了明显的成果，优于现有最先进方法。

    Jun, 2019

  • 单幅图像去雨的多尺度逐步融合网络

    此文介绍了一种基于多尺度协作表示法的单图像除雨方法，利用尺度空间和分层深度特征构建多尺度渐进融合网络，采用循环计算来捕捉全局纹理信息，引入注意力机制实现对不同尺度信息的精细融合，从而提高了模型的训练效率，在多个基准数据集上达到了最先进的除雨结果，启发了视觉任务驱动图像除雨的新研究方向。

    Mar, 2020

  • DCSFN：用于单幅图像去雨的深度跨尺度融合网络

    本文提出了一种基于多子网络和跨尺度融合的图像降雨去除方法，使用 Gate Recurrent Unit 对这些子网络进行跨尺度融合，并设计了一种内部尺度连接块，通过不同尺度之间的特征融合来提高雨的表示能力，实验结果表明，与现有方法相比，该方法具有优越性能。

    Aug, 2020

  • 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

  • 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

  • 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

  • 物理感知网络和全天候多模态逆境天气图像融合基准

    在这篇论文中，我们提出了一种适用于各种天气条件下的多模态图像融合模型，该模型具有抵抗不同天气干扰的能力，并在极端天气条件下展示出出色的细节恢复和多模态特征提取能力。

    Feb, 2024

  • 多尺度增强除雾网络与密集特征融合

    本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络，包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容，实验表明该方法在公开数据集和实际雾霾图像上表现优异。

    Apr, 2020

  • 基于不确定性感知对称网络的快速道路分割

    本文提出了一种基于证据理论的不确定性感知对称网络（USNet），通过完全融合 RGB 和深度数据，折衷速度和准确性。实验结果表明，该方法以 43+ FPS 的实时推理速度实现了最先进的接近 100% 的准确性。

    Mar, 2022