Apr, 2024

TSNet: 图像去雾的两阶段网络，结合多尺度融合与自适应学习

PDF
TL;DR该研究提出了一种名为 TSNet 的两阶段图像去雾网络，主要由多尺度融合模块（MSFM）和自适应学习模块（ALM）组成，通过增强泛化性能和恢复纹理细节来实现更好的去雾效果。实验证明，相较于之前的方法，TSNet 在合成和真实数据集上表现出卓越的性能。
image dehazingdeep learning-based methodstwo-stage networkmulti-scale fusion moduleadaptive learning module
发现论文，激发创造
  • 高效准确的多尺度拓扑网络用于单幅图像去雾

    本文提出了一种基于多尺度拓扑网络、多尺度特征融合和自适应特征选择的方法，来实现单张图像去雾任务，并进行了大量实验验证其与现有研究方法的优越性。

    Feb, 2021

  • MSSNet：用于单幅图像去模糊的多尺度级联网络

    本文研究单幅图像去模糊方法，使用深度学习技术设计了 Multi-Scale-Stage Network 方法，该方法通过三个创新技术组件来改进之前粗糙 - 精细方案，提高了去模糊质量、缩小了网络规模和加速了计算速度，并在评估中展现出最先进的性能。

    Feb, 2022

  • 逐层特征融合网络用于逼真图像去雾

    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

  • 多尺度自适应融合网络用于高光谱图像去噪

    本文提出了一种名为 MAFNet 的多尺度自适应融合网络用于去噪高光谱图像，该网络由逐步扩展的多尺度信息聚合网络和协同注意力融合模块组成，可以有效保留丰富的光谱结构并取得比其他技术更好的去噪性能，论文代码可供参考。

    Apr, 2023

  • 基于互信息的三重交互网络用于高效图像去雾

    提出了一种基于空间频率双域信息和两阶段架构的互信息驱动的三重交互网络（MITNet），解决了现有方法中对频域信息的有限探索、信息交互不足和特征冗余严重等问题。MITNet 在多个公共数据集上展示出卓越的性能，并具有较低的模型复杂性。

    Aug, 2023

  • 多尺度增强除雾网络与密集特征融合

    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

  • FAMED-Net: 一个快速精确的多尺度端到端除雾网络

    本文介绍了一种快速准确的多尺度端到端去雾网络 FAMED-Net，该网络采用三种规模的编码器和融合模块，通过级联、密集连接的点卷积层和池化层实现图像去雾，实验证明其在计算效率、恢复精度及跨集泛化方面具有卓越性能。

    Jun, 2019

  • 基于双流融合网络的遥感图像融合

    本文提出了一种名为 TFNet 的双流融合网络，通过卷积神经网络在特征级别上融合高分辨率全色相红外图像和低分辨率多光谱图像来解决遥感图像融合问题，并通过实验验证了该方法的有效性。

    Nov, 2017

  • 深度网络的联合透射映射估计和去雾

    该论文提出了一种新的方法，即通过端到端学习框架来同时估计透射率图和去雾结果，相对于现有的方法，该方法在合成和真实数据集上均能达到显著的改善。

    Aug, 2017

  • 一种全卷积交互式图像分割的双流融合网络

    本文介绍了一种基于全卷积网络的交互式图像分割方法，利用深度学习中的两个子网络进行特征提取和分割，分别包括类特征融合网络和多尺度参数优化器网络。最终，在四个基准数据集上验证出该方法能够和现有的交互式图像分割方法相媲美的性能，同时具有更快速和更高效的模型训练与检验时间。

    Jul, 2018