UAV-Rain1k:无人机航拍图像雨滴去除基准
本研究提出一个半自动的方法来生成高质量的干净图像,并构建了一个大规模的数据集,以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network(SPANet)以本地到全局的方式移除雨条带,并取得了与现有去雨技术相当的优异性能。
Apr, 2019
为了克服缺乏大规模高质量配对训练样本对真实图像除雨(RID)过程的阻碍,本研究构建了包含 3000 个视频序列和 100 万帧高分辨率(1920*1080)图像配对数据的大规模高质量真实雨数据集(LHP-Rain)。该数据集的优势有三个方面:具有更高多样性和更大规模的雨,高分辨率和高质量的合成图像。此外,研究提出了一种新颖的鲁棒低秩张量恢复模型用于生成更好地分离静态背景和动态雨的基准数据,并设计了基于 Transformer 的简单单幅图像除雨算法,通过自注意力和跨层注意力实现图像和雨层的辨别特征表示。大量实验证明了所提出数据集和除雨方法在最新研究中的优越性。
Aug, 2023
本文针对强降雨情况下图像和视频的降雨除去问题进行了深入研究,发现深度学习技术的降雨去除方法更容易受到针对性的对抗攻击,因此本文综合比较了不同深度学习算法在人类感知和机器分析任务下的降雨去除效果及其对于对抗攻击的鲁棒性。除此之外,本文还结合审核结果构建了一种更加鲁棒的降雨除去技术,同时还对各类面向降雨除去问题的对抗攻击及其对于人类和机器视觉任务的影响进行了分析,并提供了可供使用的代码。
Mar, 2022
本文针对单幅图像去雨算法进行了全面的研究和评估,建立了一个大规模的数据集作为对比基准,其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容,并将其分为雨纹、雨滴、雨和雾三个子集,每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准,从全参考度量到零参考度量,到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性,并提出了有前途的未来方向。
Mar, 2019
本研究提出了一种改进在有附着雨滴和条纹影响的图像分割任务的方法,通过引入新颖的立体数据集并以此进行噪声降低生成器的训练,最终有效去除真实的水滴所产生的影响,并在道路标记分割和语义分割等任务中展现出显著的提高。
Jan, 2019
本文提出了一种双向特征嵌入网络,用于非均匀伪影下的去雨图像质量评估,实验结果表明,该方法明显优于现有的普适盲图像质量评估模型,为寻找视觉上首选的去雨算法提供了帮助,并公开发布了所创建的去雨质量评估数据库和 B-FEN 源代码。
Sep, 2019
这篇报告回顾了 CVPR 2023 UG2+ 研讨会上单张图像去雨 GT-Rain 挑战的结果,目标是研究真实场景中的雨天现象,提供一个新颖的真实世界雨景图像数据集,并激发创新思路,推动单张图像去雨方法在真实图像上的发展。
Mar, 2024
本文提出了一种通用降雨攻击方法(URA),该方法通过生成一种非加性的空间扰动,显著降低了场景修复的相似度和图像生成质量,从而针对图像去雨算法的漏洞展开攻击,并证明 URA 方法可对现有单图像去雨算法减少场景修复能力和图像生成质量,从而得出了一种图像去雨算法的漏洞检测工具。
Nov, 2022
本文研究了计算机视觉和深度学习技术在无人机检测方面的表现,探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能,并对两个数据集进行了评估,研究结果为发展更为强大的 UAV 检测方法提供了借鉴。
May, 2023