CVPRMar, 2024

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

PDF
TL;DR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。
nighttime hazy scenesdehazingsemi-supervised modelspatial attentionrealistic brightness
发现论文，激发创造
  • 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

  • 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

  • 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

  • 低光雾天场景的可见性增强

    本文提出了一种新方法来增强暗光雾霭场景的可见性，通过跨一致性除雾增强框架和基于物理模拟的低光雾数据集生成，实验证明该方法在各项指标上的效果优于现有方法，并通过人类视觉感知的用户研究证明了该方法的有效性和必要性。

    Aug, 2023

  • 夜雾：基于自学先验的夜间图像去雾

    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。

    Mar, 2024

  • 迈向域不变的单张图像去雾

    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

  • 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

  • 感知和建模密度是图像去雾所需要的全部

    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

  • 针对航空图像去雾的领域感知无监督高光谱重建

    本文提出了一种基于 SkyGAN 的去雾方法，该方法包括领域感知的 H2H 模块和基于 cGAN 的多个图像转换模块，使用多光谱图像作为辅助信息，使用新的数据集 HAI 进行评估。

    Nov, 2020

  • 适频扩散模型用于实景去雾

    基于条件扩散模型的去雾方法利用深度学习，通过降低频谱偏差和模拟多样化的雾气，显著改进了真实世界图像去雾的效果。

    Aug, 2023