Mar, 2024

夜雾：基于自学先验的夜间图像去雾

PDF
TL;DR本文介绍了一种适用于夜晚图像增强的新方法，使用自学习先验学习和严格的数据增强，以改善图像中的夜雾，降低图像中的光照效果和噪声，并优化可见性。该方法通过提供强大的网络先验知识，提高了现有夜晚图像去雾方法的性能。
发现论文，激发创造
  • Prior Query Transformer 单昼夜的夜间雾霾移除

    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

  • 通过定制的可学习先验为低光图像增强器赋能

    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

  • 使用合成基准进行夜间去雾

    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

  • 具有空间频率感知和逼真亮度约束的半监督夜晚去雾基线

    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

  • 混合自编码器用于自监督视觉表征学习

    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

  • 通过感知理解提高视觉表征学习

    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

  • 夜间光照矫正下的雾霾去除

    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

  • 通过引导的 APSF 和梯度自适应卷积增强夜间雾图像的可见性

    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

  • 无监督夜间图像增强：层分解与光效抑制的结合

    该论文提出了一种无监督的方法，通过层分解网络和光效抑制网络集成来来压制夜间图像中光效，并增强暗区域的照度

    Jul, 2022

  • 对比遮蔽自编码器是更强的视觉学习者

    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