MMAug, 2023

基于互信息的三重交互网络用于高效图像去雾

PDF
TL;DR提出了一种基于空间频率双域信息和两阶段架构的互信息驱动的三重交互网络（MITNet），解决了现有方法中对频域信息的有限探索、信息交互不足和特征冗余严重等问题。MITNet 在多个公共数据集上展示出卓越的性能，并具有较低的模型复杂性。
multi-stage architecturesimage dehazingmitnetfrequency domain informationfeature redundancy
发现论文，激发创造
  • TSNet: 图像去雾的两阶段网络，结合多尺度融合与自适应学习

    该研究提出了一种名为 TSNet 的两阶段图像去雾网络，主要由多尺度融合模块（MSFM）和自适应学习模块（ALM）组成，通过增强泛化性能和恢复纹理细节来实现更好的去雾效果。实验证明，相较于之前的方法，TSNet 在合成和真实数据集上表现出卓越的性能。

    Apr, 2024

  • 遥感图像去雾的编码器最小化和解码器最小化框架

    提出了一种用于远程感知图像去雾的编码器极简和解码器极简框架 RSHazeNet，采用内层转置融合模块 (ITFM) 进行特征融合，采用跨层多视图交互模块 (CMIM) 和多视图渐进提取块 (MPEB) 增强特征学习，并通过大量实验证明了该方法的卓越性能。

    Dec, 2023

  • 高效准确的多尺度拓扑网络用于单幅图像去雾

    本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

    Feb, 2021

  • 多模态互相关注和迭代交互用于指代图像分割

    本篇论文提出了一种基于 Transformer 的多模态相互注意力机制和相互解码器，与之相结合的迭代式多模态交互机制及语言特征重建技术，在指代图像分割的任务中取得了很好的效果。

    May, 2023

  • 深度信息辅助的协同互推网络用于单图像去雾

    提出了一种双任务协同相互促进的框架，它通过深度估计和去雾任务的交互机制来实现单一图像的去雾，从而有效地提升它们的性能。实验结果表明，该方法的性能优于现有方法。

    Mar, 2024

  • 多阶段渐进式图像修复

    该研究提出了一种名为 MPRNet 的多阶段架构，使用编码器 - 解码器架构学习上下文信息和高分辨率分支，结合像素自适应设计重新加权本地特征，从而实现复原图像的同时维持空间细节和上下文信息的最佳平衡，该架构在包括图像去雨、去模糊和降噪等多个任务上均表现出较强的性能表现。

    Feb, 2021

  • 深度网络的联合透射映射估计和去雾

    该论文提出了一种新的方法，即通过端到端学习框架来同时估计透射率图和去雾结果，相对于现有的方法，该方法在合成和真实数据集上均能达到显著的改善。

    Aug, 2017

  • 一种山形单级网络用于精确图像恢复

    通过创新性的 U-Net 架构设计，提出一个称为 M3SNet 的图像恢复系统，通过特征融合中间件和多头注意力中间块，达到保留空间细节，集成上下文信息，并使用不到一半的计算成本，超过了先前的最优模型。

    May, 2023

  • VIFNet：一种用于图像去雾的端到端可见 - 红外融合网络

    设计了一个可见 - 红外融合网络用于图像去雾，并通过多尺度深度结构特征提取模块和不一致性加权融合策略，充分利用红外图像的信息来改善效果，实验证明 VIFNet 优于现有方法。

    Apr, 2024

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性 mean-teacher 网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法在数量和质量方面都有明显的提高。

    Aug, 2021