Apr, 2024

PANet：一种基于物理引导的参数增强网络用于图像去雾

PDF
TL;DR本文提出了一种物理引导的参数增强网络 (PANet)，用于生成逼真的有雾和无雾训练对，以有效提升实际环境下的图像去雾性能。实验结果表明，PANet 可以增加多样逼真的有雾图像，丰富现有的有雾图像基准，从而有效提升最先进的图像去雾模型的性能。
image dehazingreal-world scenarioshaze imagesphysics-guided parametric augmentation networkstate-of-the-art image dehazing models
发现论文，激发创造
  • 使用反投影金字塔网络进行各种雾霾场景下的单张图像去雾

    提出了一种名为 BPPNet 的背投影金字塔网络结构，其中包括多个复杂度级别的学习和多尺度结构信息，通过 UNet 和金字塔卷积块的迭代块合并构建生成器，并借助反向投影进行学习，使得该网络能够对密集雾和不均匀雾等各种具有挑战性的飘雾条件进行良好性能的训练，利用可能的少至 20 个图像配对就能进行训练而不会过拟合，并且在 NTIRE 2018，NTIRE 2019 以及 NTIRE 2020 数据集上表现出业界领先的性能。

    Aug, 2020

  • 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

  • PriorNet: 一种新颖的轻量级网络，搭配多维交互式注意力，用于高效图像去雾

    PriorNet 是一种新颖、轻量且高度适用的去雾网络，通过引入 Multi-Dimensional Interactive Attention (MIA) 机制，显著提高了雾图像的清晰度和视觉质量，同时避免了过度细节提取等问题，具备优秀的去雾和图像清晰度恢复能力，且在普适性和可部署性方面表现突出。

    Apr, 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

  • 从合成到真实：与未标记的真实数据协作的图像去雾

    我们提出了一种新的图像去雾框架，该框架与未标记的实际数据协作，同时开发了一个解缠积网络（DID-Net）和解缠一致性 mean-teacher 网络（DMT-Net），并使用一致性损失函数在未标记的实际数据上优化性能，实验结果表明我们的方法在数量和质量方面都有明显的提高。

    Aug, 2021

  • DehazeNet：单幅图像去雾的端到端系统

    本文提出一种称为 DehazeNet 的端到端可训练系统，用于中介介质透射图的估计，以便于去除输入图像中的雾霾，并通过大气散射模型恢复无雾图像。DehazeNet 采用卷积神经网络（CNN）的深层架构，其层特别设计为体现图像去雾中已建立的假设 / 先验，包括使用 Maxout 单元的特征提取层和双边整流线性单元的非线性激活函数，实验表明 DehazeNet 具有优越的性能。

    Jan, 2016

  • 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

  • 图像去雾的域自适应

    本文提出了一种基于学习的图像去雾域适应模型，该模型包含图像翻译模块和两个图像去雾模块，利用一致性约束训练图像翻译和去雾网络以实现更好效果。实验结果表明，该模型在合成和真实世界图像中表现优异。

    May, 2020

  • 一种多功能去雾网络

    本文提出了一种基于卷积神经网络的图像去雾模型 AOD-Net，其通过一种新颖的端到端设计，直接生成干净图像，进而通过与 Faster R-CNN 模型的级联来提高雾图上的目标检测性能。实验结果表明，该模型在合成和自然雾图数据集上均表现出比现有模型更卓越的 PSNR, SSIM 和主观视觉质量表现。

    Jul, 2017

  • Cycle-Dehaze: 增强版 CycleGAN 用于单张图像去雾

    本文提出了一种称为 Cycle-Dehaze 的端到端网络，用于单图像去雾问题，无需对成对的模糊和对应的真实图像进行训练，此方法不依赖于大气散射模型参数的估计。网络利用循环一致性和知觉损失增强 CycleGAN 的公式，以提高对纹理信息的恢复质量并生成更好的无雾图像。实验证明，该方法在 NYU-Depth、I-HAZE 和 O-HAZE 数据集上都能明显提高 CycleGAN 方法的质量。

    May, 2018