夜雾:基于自学先验的夜间图像去雾
提出了一种基于变压器的夜间图像去雾框架 NightHazeFormer,结合了半监督的微调策略和先验查询,同时创造了大规模的合成数据集 UNREAL-NH,表现优于现有的夜间去雾方法。
May, 2023
本研究提出了一种低光图像增强范式,利用自定义的可学习先验来提高深度展开范式的透明度和解释性,通过 Masked Autoencoder(MAE)的特征表示能力定制了基于 MAE 的光照和噪声先验,并在多个低光图像增强数据集上的实验证明了该范式优于现有方法。
Sep, 2023
本研究提出了一种名为 3R 的新型合成方法来模拟夜间模糊图像,它可从白天清晰图像中重构场景几何结构,模拟光线和目标反射,并最终呈现雾霾效果。其在合成基准测试中的试验结果表明,其优于现有的最新方法,这对于解决夜晚图像处理中缺乏大规模基准数据集的问题非常有帮助。
Aug, 2020
我们提出了一种半监督模型来解决现实世界夜间去雾问题,通过采用空间注意力和频率谱滤波进行信息交互处理以处理夜间模糊场景,设计了基于伪标签和局部窗口的亮度损失的重新训练策略,以抑制雾气和光晕并实现真实亮度。通过对公共基准的实验证实了所提方法的有效性和优越性。源代码和补充材料位于指定的网址。
Mar, 2024
本文研究了 Masked Autoencoder 的数据扩增问题,提出了基于同源识别的 Mix Autoencoder 方法,通过自监督预训练可以提升下游视觉任务表现,在 ImageNet、ADE20K 和 COCO 数据集上 outperforms 了 MAE 和 iBOT 的方法。
Mar, 2023
本文介绍了一种基于 MAE 的扩展方法,通过引入感知相似度项和采用来自生成对抗网络领域的多级训练和自适应鉴别器增强等技巧,可以更好地重构像素并学习到更高级别的场景特征,进而在不使用其他预训练模型或数据的情况下,提高了图片分类等下游任务的性能,并在 ImageNet-1K 数据集上达到了 78.1% 的准确率。
Dec, 2022
提出了一种新的夜间雾天成像模型和高效的消除夜间雾天影响的算法,包括三个步骤:整体亮度增强,色彩平衡和去除雾效应。实验结果表明,该算法可以实现良好的颜色再现能力。
Jun, 2016
本研究提出了一种用于夜间雾霾图像的光晕抑制和低光增强的方法,通过学习光晕图像对来检测光源和提高低光区域的能见度,同时利用梯度自适应卷积来捕捉雾霾场景的边缘和纹理,并通过注意力机制调整低光区域,该方法在真实的夜间雾霾图像上进行了广泛的评估,实验结果表明与现有方法相比,其 PSNR 值提高了 14%。
Aug, 2023
Contrastive Masked Autoencoders (CMAE) is a new self-supervised pre-training method that unifies contrastive learning (CL) and masked image model (MIM) for learning more powerful visual representation, achieving state-of-the-art results on image classification, semantic segmentation, and object detection tasks.
Jul, 2022