利用不完美监督的学习方法进行现实世界图像除雾
MetaWeather 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。
Aug, 2023
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
开发了一种面向实际应用的新型连续学习框架,用于不断学习从不同恶劣天气中提取图像,通过知识回放和共享在统一网络结构中积累了不同恶劣天气的知识。
Mar, 2024
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
本文提出了一种基于条件生成对抗网络的图像去雨算法 (ID-CGAN),以优化细化的损失函数为优化框架,考虑了定量、定性和辨别性能,经过测试,该方法在综合定量和视觉性能方面优于其他最新的基于单个图像去雨的方法。
Jan, 2017
本文提出了一种方法,使用计算机图形和生成模型相结合,通过扩充现有的晴天数据以模拟恶劣天气状况,将增广用于无监督深度估计,进而引入伪监督损失来解决降低性能的问题。
Jul, 2023
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
我们提出了一种用于多种恶劣天气条件下的语义分割的方法,它结合了自适应知识获取、伪标签混合和天气组合回放,能够在增强模型适应性和鲁棒性的同时避免遗忘和不断改进先前学习的天气信息,实现了比现有方法更好的性能。
Jan, 2024
我们提出了 WeatherDepth,这是一个自监督的鲁棒深度估计模型,使用课程对比学习来应对复杂天气条件下性能下降的问题。通过逐步从晴朗到恶劣天气场景的简单到复杂的课程调整,鼓励模型逐渐掌握抵抗天气影响的有益深度线索,从而实现更平滑和更好的域适应。同时,我们在不同课程中引入对比学习,以防止模型遗忘先前的课程,并在不同课程之间建立深度一致性约束,从而实现对多样天气条件下鲁棒深度估计的目标。此外,为了减少人工干预并更好地适应不同模型,我们设计了一个自适应课程调度器,自动搜索最佳的课程切换时机。在实验中,我们的解决方案被证明可以轻松应用于各种架构,并在合成和真实天气数据集上展现了最先进的性能。
Oct, 2023