本文对处理模糊图像的能见度增强方法进行了全面的调查,提供了一个基于定量评估的排名以比较现有方法的结果,并为各种方法的优缺点提供了更好的认识。
Jul, 2016
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
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
本研究提出了一种用于夜间雾霾图像的光晕抑制和低光增强的方法,通过学习光晕图像对来检测光源和提高低光区域的能见度,同时利用梯度自适应卷积来捕捉雾霾场景的边缘和纹理,并通过注意力机制调整低光区域,该方法在真实的夜间雾霾图像上进行了广泛的评估,实验结果表明与现有方法相比,其 PSNR 值提高了 14%。
Aug, 2023
通过自适应滤波、可视化优化策略和最大直方图均衡化,本文介绍了一种在极低能见度下增强图像清晰度的新方法,并且在极低能见度条件下优于现有算法。
Apr, 2024
通过实验结果,发现现有的图像去雾方法不能显著改善图像分类性能,有时会甚至会降低图像分类性能。
Oct, 2018
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
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
本文提出了一种基于多分支卷积神经网络的新型端到端注意力引导方法,利用合成的低光模拟数据构建数据集,通过使用两个注意力图指导亮度增强和降噪任务,并进一步增强输出图像的色彩和对比度以实现对低光图像的高保真增强,该方法在多个数据集上表现优异,比当前最先进的方法有更好的定量和视觉效果。
Aug, 2019
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