深度信息辅助的协同互推网络用于单图像去雾
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
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
提出了一种基于合成数据集和全局洗牌策略的解决方案,用于改进单图像去雾问题的深度学习训练方法,并介绍了一个基于卷积跳跃连接模块的改进网络结构,该模块能够以较低的计算成本实现更好的性能。
Jan, 2024
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
本研究提出了一种基于神经网络的端对端算法,采用融合策略从浑浊图像中直接恢复出清晰图像,并实现多尺度处理以避免光晕伪影,实验证明该方法在合成和真实图像中都有优于现有算法的表现。
Mar, 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
本文设计了一种新的残差结构来整合先验信息和数据信息,以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。
Nov, 2017