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
本文提出了一种称为 Cycle-Dehaze 的端到端网络,用于单图像去雾问题,无需对成对的模糊和对应的真实图像进行训练,此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式,以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明,该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。
May, 2018
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
本文提出了一个基于 U-Net 的编码器 - 解码器深层网络模型用于单幅图像去雾。该模型通过逐步特征融合,直接从观察到的有雾图像到去雾地面真实的高度非线性变换函数。在两个公共的图像去雾基准测试中,该模型在 GPU 的高效内存使用下能够令人满意地恢复超高清分辨率模糊图像,达到了顶尖水平。
Oct, 2018
本文提出了一种基于生成对抗网络的图像翻译方法,用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络,以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾,并具有较高的效率。
Feb, 2021
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
本文提出了一种高效的完全卷积神经网络图像去雾方法,旨在为边缘图形处理单元提供支持,并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。
Apr, 2019
本文提出了一种基于计算机图形学的生成配对干净 - 有雾图像的方法,并利用这个方法生成 SimHaze,一个新的合成雾数据集,此数据集可以用于训练去雾模型。通过使用此数据集进行训练,最新的去雾模型的性能明显优于以前的去雾数据集。
May, 2023
通过开发一种新的合成方法来模拟 4K 模糊图像,然后利用 GAN 将合成的图像迁移到真实模糊域,最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集,称为 4K-HAZE 数据集,用于评估现有的单图像除雾方法,并讨论其限制和社会影响。
Mar, 2023
本文提出了 DehazeFormer,一种用于图像去雾的改进模型,比传统模型具有更好的效果。模型在多个数据集上进行了实验,表明 DehazeFormer 比当前最先进的方法表现更好。此外,我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。
Apr, 2022