May, 2024

频率增强状态空间模型图像去雨

PDF
TL;DR该研究引入了状态空间模型（SSM）到雨滴去除中，并提出了一种去除雨滴方法，名为 Deraining Frequency-Enhanced State Space Model（DFSSM）。在该方法中，我们使用了频域处理方法和 SSM 来有效去除产生高强度频率成分的雨滴痕迹，并开发了一种新颖的混合尺度门控卷积块来捕捉不同尺度的退化并控制信息流的传递。最后，实验结果表明，我们的方法胜过现有的最新方法。
发现论文，激发创造
  • SDNet：使用 Swin 的多分支单图像去雨方法

    本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法，并设计了一个三分支模型，并提出了一个新的数据集 Rain3000 来验证模型的性能和效果，实验结果表明，该方法在公开数据集 Rain100L，Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。

    May, 2021

  • FourierMamba: 基于状态空间模型的 Fourier 学习集成在图像去雨上的应用

    提出一种名为 FourierMamba 的新框架，利用 Mamba 技术在 Fourier 空间中进行图像除雨，通过在空间和通道维度中不同的设计，实现了频率信息的相关性以及通道信息的改进。

    May, 2024

  • 事件相机的状态空间模型

    通过引入具有可学习时间尺度参数的状态空间模型（SSM）来处理事件感测器数据，解决了在不同频率下部署模型的挑战，并且与传统 RNN 和 Transformer 模型相比，SSM 模型在事件感测任务中训练速度更快，且在更高频率的测试输入下表现出较小的性能降低。

    Feb, 2024

  • 基于特征的深度卷积神经网络单张图像去雨

    本研究提出了一种基于数据驱动和基于模型相结合的单幅图像去雨方法，通过使用 CNN，高频信息提取，特征转换，和使用注意机制的神经网络，实现了优异的效果。

    May, 2023

  • 高效的图像去模糊视觉状态空间模型

    本文提出了一种简单而有效的视觉状态空间模型（EVSSM）用于图像去模糊，在图像恢复任务中，相比卷积神经网络（CNNs）和视觉 Transformer（ViTs），EVSSM 相对于其它方法在基准数据集和真实捕捉的图像上表现出色。

    May, 2024

  • 具有空间注意力机制的高清真实雨数据集单图像去雨方法

    本研究提出一个半自动的方法来生成高质量的干净图像，并构建了一个大规模的数据集，以更好地模拟现实情况下的雨条带效应。新的 SPatial Attentive Network（SPANet）以本地到全局的方式移除雨条带，并取得了与现有去雨技术相当的优异性能。

    Apr, 2019

  • MDeRainNet：大像素图像雨痕去除的高效神经网络

    我们提出了一种名为 MDeRainNet 的高效网络，用于去除光场图像中的雨线，该网络采用多尺度编码器 - 解码器架构，在 Macro-pixel 图像上直接进行操作以提高雨线去除性能，并且借助 Extended Spatial-Angular Interaction (ESAI) 模块来完全建模空间和角度信息之间的全局相关性，并引入半监督学习框架以改善网络在现实场景中的泛化性能。经过对合成和真实光场图像的广泛实验证明，我们的方法在定量和定性上均优于现有方法。

    Jun, 2024

  • 清空天空：针对单幅图像雨水去除的深度网络架构

    该研究介绍了一种名为 DerainNet 的基于深度卷积神经网络的图像去雨筋方法，并使用合成数据进行训练，提高了真实数据上的去雨效果，并在计算时间方面得到了显著提高。

    Sep, 2016

  • 重度雨天气图像修复：物理模型与条件对抗式学习的整合

    本篇论文提出了一种基于物理学原理和 2 阶段网络的深度引导 GAN 精细处理方法，可以有效处理暴雨图像修复过程中出现的雨丝、雨滴遮挡和图像模糊等问题，并通过对真实雨天数据进行测试和评估，证明该方法在图像修复和细节保护方面优于其他现有的方法。

    Apr, 2019

  • 混合卷积神经网络 - Transformer 结构上使用频域对比学习进行图像去雨

    图像去雨是一项具有挑战性的任务，涉及恢复受雨滴影响的退化图像。

    Aug, 2023