May, 2024

重新思考单图像去雾的初级函数融合

PDF
TL;DR该研究论文通过提出一种创新的去雾网络（CL2S）来解决当前图像去雾领域中物理模型的局限性。CL2S 建立在 DM2F 模型的基础上，通过消融实验确定 DM2F 存在的问题，并将原始对数函数模型替换为三角（正弦）模型，以更好地适应复杂和多变的雾分布。该方法还整合了大气散射模型和其他基本函数，以增强去雾性能。实验结果表明，CL2S 在多个去雾数据集上取得了出色的性能，特别是在保持图像细节和颜色真实性方面。此外，通过对 DM2F 进行有系统的消融实验证实了 DM2F 引起的担忧，并确认了所提出的 CL2S 模型中功能组件的必要性和有效性。我们的代码可在 https://github.com/YesianRohn/CL2S 获得，相应的预训练模型也可访问。
image dehazingcl2sphysical modelsatmospheric scattering modelablation experiments
发现论文，激发创造
  • 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

  • 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

  • 使用双线性组合损失函数的图像去雾

    本文提出了一种双线性合成损失函数来解决图像去雾问题，该方法基于卷积神经网络并直接建模传输图、清晰图像和大气光之间的相关性。在合成和真实世界的实验证明，该方法优于现有方法，特别对于噪声和压缩严重的雾化图像。

    Oct, 2017

  • TSNet: 图像去雾的两阶段网络，结合多尺度融合与自适应学习

    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。

    Apr, 2024

  • 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

  • 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

  • 一种基于 GAN 的单幅图像去雾输入尺寸灵活性模型

    本文提出了一种基于生成对抗网络的图像翻译方法，用于单幅图像去雾。该方法主要是采用了新的凝视 - 命题残差网络，以及基于多损失函数的条件生成对抗网络。实验结果表明该方法能够有效地去除图片中的雾霾，并具有较高的效率。

    Feb, 2021

  • 用于单幅图像去雾的门控融合网络

    本研究提出了一种基于神经网络的端对端算法，采用融合策略从浑浊图像中直接恢复出清晰图像，并实现多尺度处理以避免光晕伪影，实验证明该方法在合成和真实图像中都有优于现有算法的表现。

    Mar, 2018

  • 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

  • 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