Jul, 2023

DFR-Net: 图像去雾的密度特征优化网络利用雾密度差异

PDF
TL;DR本研究提出了一种名为密度特征细化网络（DFR-Net）的密度感知去雾方法，利用密度差异提取雾霾密度特征并利用其进行特征细化。通过生成相对较低整体密度的建议图像和提取去雾残差以检测局部密度差异，该方法在全局和局部上实现了对密度的感知，达到了超越现有方法的效果。
image dehazinghaze densitydensity differencesdfr-netdehazing methods
发现论文，激发创造
  • 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

  • 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

  • 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

  • FFA-Net：用于单幅图像去雾的特征融合注意力网络

    本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像，该结构在关注机制、残差学习和特征融合等多方面进行了改进，最终在单幅图像去雾方面取得了最新的最好结果。

    Nov, 2019

  • DR-Net：弱监督细化引导的传输定向单图去雾网络

    提出了一种名为 DR-Net 的新型深度网络架构用于图像去雾，其由三个主要子网络组成：预测输入图像的透射率图的传输预测网络、重构由透射率图驱动的潜在图像的去雾网络和通过弱监督学习增强去雾结果的细节和颜色特性的优化网络。与先前的方法相比，我们的方法在数据驱动模型，端到端系统和鲁棒性，准确性和适用性方面具有优越性能。大量实验证明，与合成和真实图像中的最新方法相比，DR-Net 在定量和定性指标上都表现出色。此外，DR-Net 的实用性也可以通过其在几个重要计算机视觉任务中的潜在用途得到说明。

    Dec, 2017

  • FriendNet：适用于目标检测的去雾网络

    该论文通过结合图像恢复和目标检测，提出了一种提升恶劣天气条件下目标检测性能的有效架构 FriendNet，并通过引导信息和任务驱动学习实现了适合检测的去雾技术。

    Mar, 2024

  • 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

  • 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

  • 准确且轻量级的去雾方法：多接受野非局部网络和新型对比正则化

    提出了一种基于多接收域非局部网络（MRFNLN）的图像去雾方法，该方法利用深度学习方法提取有用特征，并通过多流特征注意力块（MSFAB）和交叉非局部块（CNLB）实现对图像去雾的优化，同时引入了新颖的细节聚焦对比正则化（DFCR）以提高模型性能。

    Sep, 2023

  • 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