Aug, 2023

MetaWeather: 基于降级模式匹配的少样本天气劣化图像恢复

PDF
TL;DRMetaWeather 是一种针对任意天气条件的少样本天气恢复方法，通过匹配新天气条件下输入图像和示例图像之间的特征，利用元学习构建元知识以提供灵活的适应性，并通过参数高效的微调方法来避免过拟合问题。在 BID Task II.A 数据集上的实验表明，与最先进的图像恢复方法相比，我们的方法在峰值信噪比和结构相似性方面取得了最佳性能。
weather-degraded image restorationmetaweatherdegradation pattern matching modulefew-shot support setmeta-learning
发现论文，激发创造
  • 解耦恶劣天气图像恢复中的退化与内容处理

    介绍了一种名为 DDCNet 的新型逆风气象图像恢复方法，通过基于信道统计的特征级别对降解去除过程和内容重建过程进行分离，利用傅里叶变换在这两个过程中的独特优势，进而提高恶劣天气图像恢复的质量。

    Dec, 2023

  • TransWeather：基于 Transformer 的逆天气图像恢复

    本研究提出了一种基于 Transformer 的端到端模型 TransWeather，只使用一个编码器和一个解码器，可以有效去除任何天气条件下的图像失真，其在多个测试数据集上均取得了比 All-in-One 方法和 Fine-tuned 方法更好的效果，并在现实世界的测试图像上进行了验证。

    Nov, 2021

  • 基于块降噪扩散模型的恶劣天气条件下视觉恢复

    基于概率模型的图像修复算法，通过引导去噪过程来实现任意尺寸的图像修复。该算法在图像去雪、去雨和去雾等数据集上表现出了领先的性能，并且在实际测试图像方面具有很强的泛化性能。

    Jul, 2022

  • 借助语言引导的恶劣天气语义分割

    我们提出了一种从在恶劣天气条件下拍摄的图像中推断语义分割地图的方法，通过利用语言作为指导，在不同的气候效应对图像的影响下，模型在 WeatherProof 和 ACDC 数据集上表现出了更好的性能。

    Mar, 2024

  • WeatherProof：恶劣天气中语义分割的配对数据集方法

    使用通用的配对训练方法，改进了大型计算机视觉模型在恶劣气候下的语义分割性能，并创建了 WeatherProof 数据集，提供了准确的恶劣气候和晴朗天气的图像对，进一步改善了分割性能的评估，并通过一种采用一致性损失和语言引导的训练流程，使性能提高了 18.4%。

    Dec, 2023

  • 利用不完美监督的学习方法进行现实世界图像除雾

    通过一种统一的方法来解决现实世界中图像去天气问题中的不一致性，并通过信息分配策略（IAS）联合监督去天气模型，从而提高现有去天气模型的性能。

    Oct, 2023

  • 大规模预训练模型在恶劣天气去除中的应用探索

    本文提出了一种基于空间特征表示学习和语义信息嵌入的方法，通过 CLIP 等大规模预训练模型来提高图像恢复在各种噪声天气条件下的表现，并且实验结果表明该方法达到了最先进的性能水平。

    Jun, 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

  • 一种适用于 WeatherProof 挑战赛 CVPR 2024 Workshop UG2 + 的两阶段恶劣天气语义分割方法

    我们团队利用两阶段深度学习框架，在恶劣天气条件下的语义分割任务中通过预处理数据、生成高保真度地面真值，以及应用 InternImage 网络等方法，成功获得了 0.43 的平均交并比（mIoU）竞赛得分，在竞赛中获得了第四名的可观成绩。

    Jun, 2024

  • 始终晴朗的日子：意识到退化类型和严重程度的一体化逆境天气消除

    提出了一种名为 UtilityIR 的基于退化类型和严重程度感知的模型，用于盲目进行全方位恶劣天气图像恢复，该方法在不同的天气恢复任务上，在客观和主观上都能明显超过其他方法，并拥有更少的模型参数。

    Oct, 2023