Sep, 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

HTML
PDF
TL;DR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。
发现论文，激发创造
  • 无监督使用暗通道先验损失的单张图像除雾

    本文提出一种完全无监督的将实际户外图像用于深度学习的单张图像去雾方法，该方法利用先前研究中广泛使用的暗通道先验能量函数进行训练，提高了结果的质量，并与大规模监督方法相当。

    Dec, 2018

  • FAMED-Net: 一个快速精确的多尺度端到端除雾网络

    本文介绍了一种快速准确的多尺度端到端去雾网络FAMED-Net，该网络采用三种规模的编码器和融合模块，通过级联、密集连接的点卷积层和池化层实现图像去雾，实验证明其在计算效率、恢复精度及跨集泛化方面具有卓越性能。

    Jun, 2019

  • 迈向域不变的单张图像去雾

    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

  • 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

  • 紧凑型单图像去雾的对比学习

    本文提出了一种对比正则化方法，用于将雾图像和清晰图像用作负样本和正样本，从而更好地训练去雾网络。同时，提出了一种基于自动编码器 (AE) 框架的紧凑型去雾网络，命名为 AECR-Net，得到了比现有方法更好的效果。

    Apr, 2021

  • 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

  • PriorNet: 一种新颖的轻量级网络，搭配多维交互式注意力，用于高效图像去雾

    PriorNet是一种新颖、轻量且高度适用的去雾网络，通过引入Multi-Dimensional Interactive Attention (MIA)机制，显著提高了雾图像的清晰度和视觉质量，同时避免了过度细节提取等问题，具备优秀的去雾和图像清晰度恢复能力，且在普适性和可部署性方面表现突出。

    Apr, 2024

  • 解决领域差异：一种双分支协作模型用于无监督去雾

    本论文提出了一种新颖的双支路协作非配对去雾模型（DCM-dehaze），以解决合成数据在处理小规模数据时引入的领域偏差问题。经过在基准数据集上的大量实验证明，我们的方法达到了最先进的水平。

    Jul, 2024

  • 交互引导的双分支图像去雾网络

    本研究针对图像去雾中存在的局部特征与全球特征提取的不足，提出了一种双分支图像去雾框架，通过交互引导CNN和Transformer的协同工作。结果表明，该方法在合成和真实数据集上均取得了竞争力的定性和定量评估性能，显示了其广泛应用的潜力。

    Oct, 2024

  • DRACO-DehazeNet：一种结合细节恢复和新型对比学习范式的高效图像去雾网络

    该研究解决了现有图像去雾方法在训练数据依赖和计算力量消耗上的不足，尤其是在非均匀或重雾条件下的表现。提出的DRACO-DehazeNet通过新型的四元损失对比学习范式和注意力细节恢复网络，实现了在有限数据下的有效训练，取得了在多种基准雾霾数据集上的优越表现。

    Oct, 2024