CVPRApr, 2024

ODCR: 正交解耦对比正则化用于无配对图像去雾

PDF
TL;DR本文提出了一种名为 ODCR 的 UID 新方法，该方法基于图像包含影响雾度的与雾无关的特征，通过在 Stiefel 流形上优化的正交多层感知机将图像特征投影到正交空间，使得去雾结果中的与雾相关特征与清晰图像中的特征类似，而与雾无关特征与输入有雾图像中的特征相近，同时引入了 DWFC 任务驱动的深度特征分类器和 WPNCE 加权补丁负例（Weighted PatchNCE）损失来优化去雾结果。实验证明 ODCR 方法在 UID 上具有优越性能。
发现论文，激发创造
  • 紧凑型单图像去雾的对比学习

    本文提出了一种对比正则化方法，用于将雾图像和清晰图像用作负样本和正样本，从而更好地训练去雾网络。同时，提出了一种基于自动编码器 (AE) 框架的紧凑型去雾网络，命名为 AECR-Net，得到了比现有方法更好的效果。

    Apr, 2021

  • 基于一致性标签生成器和协同展开网络的真实世界图像去雾

    真实世界图像去雾任务中，我们首先引入了一个协作展开网络来恢复受雾影响的细节，同时提出了第一个面向去雾任务的迭代式均值教师框架，该框架可以生成高质量的伪标签用于网络训练，并通过优化标签池来挑选高质量的候选样本并分配权重以优先选择不受雾影响的区域，实验证明我们的方法在去雾任务上达到了最先进的性能。

    Jun, 2024

  • 针对物理感知的单张图像去雾的课程对比正则化

    本研究提出了一种新的课程对比正则化方法，可应用于单幅图像去雾，通过从不同方法的恢复结果和雾图像中选取负样本，获得更好的下界约束。利用基于物理的双分支单元改进特征空间的可解释性，提出了一种名为 C2PNet 的去雾神经网络，该网络在 SOTS 数据集上表现出比现有方法更好的性能。

    Mar, 2023

  • RIDCP: 通过高质量码本先验恢复真实图像去雾

    本文提出了一种基于深度学习的新范式，通过合成更真实的数据和引入更强的先验知识来处理真实世界中的雾霾图像。所提出的 Real Image Dehazing 网络（RIDCP）结合高质量的 Codebook Priors 来处理多种复杂的视觉退化现象，其效果优于传统物理散射模型的处理方式，并能显著提高图像的清晰度。经过大量实验证明了这种模型对合成数据和真实数据的处理能力。

    Apr, 2023

  • 无监督使用暗通道先验损失的单张图像除雾

    本文提出一种完全无监督的将实际户外图像用于深度学习的单张图像去雾方法，该方法利用先前研究中广泛使用的暗通道先验能量函数进行训练，提高了结果的质量，并与大规模监督方法相当。

    Dec, 2018

  • 图像风格转换的谱归一化双对比正则化

    本文提出了一种基于双重对比规范化和谱归一化的新型无配对图像翻译框架（SN-DCR），以保持全局结构和纹理的一致性，提高生成图像的全局结构和纹理信息，并证明该方法在多个任务上实现了 SOTA。

    Apr, 2023

  • 低光源 RAW 图像去噪的对比学习

    本文通过对比学习的思想，提出了一种新的低光场景下图像 / 视频去噪方法，引入 DCR 措施去利用噪声图像与干净图像间的信息，以及利用新构建的特征网络 Wnet 提取高频信息，实验结果表明相较于现有的方法，该方法在 PSNR 以及视觉效果上取得了更好的表现。

    May, 2023

  • 水下图像无监督雾霾去除

    该研究提供了一种使用无配对数据的方法来消除水下图像中的雾，并使用雾分离网络 (HDN) 将雾和内容信息从水下图像中分离出来，并将分离的成分分别用于对抗性学习和循环一致性损失函数的再现和重建，结果表明该方法在多个数据集上均优于现有的方法。

    Jun, 2023

  • 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

  • 无源域自适应用于真实世界图像去雾

    本研究提出了一种新型的无源无监督领域自适应（SFUDA）图像去雾范式，通过开发领域表征归一化模块，利用频率损失和物理先验损失指导无监督学习，插入我们的 DRN 模块，现有的源去雾模型能够去除未标记的真实模糊图像。

    Jul, 2022