May, 2024

并行交叉剥离注意力网络用于单幅图像去雾

PDF
TL;DR介绍了一种基于 Parallel Stripe Cross Attention (PCSA) 的多尺度策略的新型去雾网络，该网络能够高效地捕捉远距离依赖关系，并使用可变的卷积核尺寸和条形长度来处理不同大小和形状的模糊，同时在 PCSA 内部合并了基于 softmax 的自适应加权机制以优化特征的重要性。
single image dehazingconvolutional modelstransformersparallel stripe cross attention (pcsa)adaptive weighting mechanism
发现论文，激发创造
  • 混合结构块图像去雾网络 MixDehazeNet

    本文提出一种称为 MixDehazeNet 的新型多结构图像去雾网络框架，其中包括多尺度并行大卷积核模块和增强型并行注意力模块，可有效解决现有方法在忽视多尺度属性和不充分考虑不均匀雾分布方面的问题，并在三个基准测试中进行了广泛实验验证。

    May, 2023

  • 单幅图像除雾的视觉 Transformer

    本文提出了 DehazeFormer，一种用于图像去雾的改进模型，比传统模型具有更好的效果。模型在多个数据集上进行了实验，表明 DehazeFormer 比当前最先进的方法表现更好。此外，我们还采集了大规模实际遥感去雾数据集来评估该方法的能力。

    Apr, 2022

  • 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

  • 高效单图像去雾的特征传递

    本文提出了一种高效的完全卷积神经网络图像去雾方法，旨在为边缘图形处理单元提供支持，并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。

    Apr, 2019

  • 极化自注意力：迈向高质量的逐像素回归

    本文提出了一种双极化自注意力块 (Polarized Self-Attention, PSA) 来解决细粒度计算机视觉任务中的高质量像素回归问题，凭借极化滤波和增强以及在通道枝和空间枝中的最大表示能力，PSA 在 2D 姿态估计和语义分割基准测试上优于标准基准和先进技术。

    Jul, 2021

  • DHFormer：基于视觉 Transformer 的图像去雾注意力模块

    提出了一种使用残差学习和视觉转换器的注意模块的方法，首先估计残差图像，然后通过卷积层和全局上下文转换器编码器获取通道注意力，最后生成无雾图像。实验结果证明了该方法的高效性和可扩展性。

    Dec, 2023

  • 无关深度的单幅图像去雾

    提出了一种基于合成数据集和全局洗牌策略的解决方案，用于改进单图像去雾问题的深度学习训练方法，并介绍了一个基于卷积跳跃连接模块的改进网络结构，该模块能够以较低的计算成本实现更好的性能。

    Jan, 2024

  • 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

  • 基于注意力机制的多尺度网格去雾网络

    GridDehazeNet 是一种端到端可训练的卷积神经网络，用于单图像去雾。其包括预处理、骨干和后处理三个模块，在预处理模块中可以生成具有更好多样性和相关特征的输入。骨干模块实现基于注意力的多尺度估计，可以有效缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助于减少最终输出中的伪影。实验结果表明，GridDehazeNet 在合成和实际场景中都优于现有技术。提出的去雾方法不依赖于大气散射模型，并解释了为什么即使只考虑合成图像上的去雾结果，利用大气散射模型的降维优势也未必有益。

    Aug, 2019

  • 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