该研究提出了一种双重关注和双频引导去雾网络(称为 DADFNet)用于实时视野增强,以改善交通管理系统中受恶劣天气影响的图像检测精度。
Apr, 2023
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
本文提出了一种端到端的特征融合注意力网络 (FFA-Net) 直接还原无雾图像,该结构在关注机制、残差学习和特征融合等多方面进行了改进,最终在单幅图像去雾方面取得了最新的最好结果。
Nov, 2019
本研究提出了一种全面的、端到端的生成对抗网络,结合了融合鉴别器 (FD-GAN),它可以更自然、更真实地生成去雾图像,并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能,取得了更具视觉效果的去雾结果。
Jan, 2020
本文介绍了一种基于 U-Net 架构的多尺度提升去雾网络,包含了稠密特征融合、 Strengthen-Operate-Subtract 策略等内容,实验表明该方法在公开数据集和实际雾霾图像上表现优异。
Apr, 2020
通过设计双路网络和注意力特征融合模块,并提出一个子网络来为检测网络提供无霾特征,我们的 D-YOLO 通过减小清晰特征提取子网络与检测网络之间的距离来改善检测网络的性能,实验证明 D-YOLO 相比现有方法具有更优异的性能表现,是一个强大的检测框架用于弥合低级去雾和高级检测之间的差距。
Mar, 2024
我们提出了一种基于先验、领域对抗的目标检测框架,通过使用气象学原理获得的天气特定先验知识来定义新的先验对抗损失,并引入一组残差特征恢复块来去除特征空间中的扭曲,提高检测性能。在多个数据集上进行的评估明确证明了该方法的有效性。
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
设计了一个可见 - 红外融合网络用于图像去雾,并通过多尺度深度结构特征提取模块和不一致性加权融合策略,充分利用红外图像的信息来改善效果,实验证明 VIFNet 优于现有方法。
Apr, 2024
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