May, 2024

走向超高清图像去雨：一个基准和一个高效方法

PDF
TL;DR本文针对超高清（UHD）图像降雨的问题，提出了一个大规模的 UHD 图像降雨数据集 4K-Rain13k，包含 13,000 个 4K 分辨率的图像对。在此基础上，我们对处理 UHD 图像的现有方法进行了基准研究。此外，我们开发了一种有效且高效的视觉 MLP 架构（UDR-Mixer）来更好地解决这个问题。通过广泛的实验结果表明，我们的方法在性能上优于最先进的方法，同时保持较低的模型复杂性。
image deraininguhd imagedatasetudr-mixermodel complexity
发现论文，激发创造
  • 超高清恢复：新基准与基于双重交互先验的解决方案

    本文构建了 UHD-Snow 和 UHD-Rain 两个基准数据集，模拟了雨雪的物理过程，研究提出了一种考虑梯度和法线先验的 UHD 图像恢复解决方案，包括高分辨率空间的特征融合与重构分支以及低分辨率空间的先验特征交互分支。实验证明了该方法在 UHD 图像低光增强、去噪和除雨方面具有领先的性能。

    Jun, 2024

  • 超高清图像反射去除的基准测试

    在本文中，我们通过合成两个大规模的 UHD 数据集（UHDRR4K 和 UHDRR8K），对六种最新的 SIRR 方法在 UHD 图像上的效果进行了综合评估，讨论了这些方法在 UHD 图像上的优缺点，并提出了一种基于 Transformer 架构的 RRFormer 来进行反射去除。实验证明，RRFormer 在非 UHD 数据集和我们提出的 UHDRR 数据集上均取得了最先进的性能。

    Aug, 2023

  • 实现高效稳健的超高清图像去莫尔纹

    本文提出了一种针对超高清图像去莫尔纹的方法，首次建立了 UHDM 数据集并在其中进行了基准研究，提出了一种有效的基准模型 ESDNet，其中包括语义对齐的尺度感知模块以解决莫尔纹图案的尺度变化问题，实验证明该方法在性能和效率方面优于当前领先的方法。

    Jul, 2022

  • 迈向统一的深度图像去雨技术：综述和新基准

    该研究论文系统回顾了现有的图像去雨方法，并提供了统一的评估设置以评估其性能，同时构建了一个高质量的基准和一个在线平台，以便进行大规模性能评估。

    Oct, 2023

  • 4K-HAZE: 一种拥有 4K 分辨率的去雾基准测试，包含有雾及无雾图像

    通过开发一种新的合成方法来模拟 4K 模糊图像，然后利用 GAN 将合成的图像迁移到真实模糊域，最后在 4K 分辨率图像上产生模糊效果。 为此开发了一个基准测试数据集，称为 4K-HAZE 数据集，用于评估现有的单图像除雾方法，并讨论其限制和社会影响。

    Mar, 2023

  • 从天空到地面：一个大规模基准和简单基线方法用于真实雨滴去除

    为了克服缺乏大规模高质量配对训练样本对真实图像除雨（RID）过程的阻碍，本研究构建了包含 3000 个视频序列和 100 万帧高分辨率（1920*1080）图像配对数据的大规模高质量真实雨数据集（LHP-Rain）。该数据集的优势有三个方面：具有更高多样性和更大规模的雨，高分辨率和高质量的合成图像。此外，研究提出了一种新颖的鲁棒低秩张量恢复模型用于生成更好地分离静态背景和动态雨的基准数据，并设计了基于 Transformer 的简单单幅图像除雨算法，通过自注意力和跨层注意力实现图像和雨层的辨别特征表示。大量实验证明了所提出数据集和除雨方法在最新研究中的优越性。

    Aug, 2023

  • 一种用于 GT-RAIN 挑战赛 CVPR 2023 Workshop UG$^{extbf {2}}$+ Track 3 的两阶段真实图像去雨方法

    本文介绍了我们团队在 CVPR 2023 UG$^{2}$+ Track 3 GT-Rain Challenge 中的解决方案，提出了一种高效的两阶段框架，利用低秩视频去雨方法生成伪 GT，再加以改进，使用大规模真实雨数据集进行预训练并在伪 GT 上进行微调，最终采用全面的图像处理器模块，我们的整体框架设计精心并能够处理在测试阶段提供的重雨和雾气序列。在平均结构相似性 (SSIM) 上获得第一名，在平均峰值信噪比 (PSNR) 上获得第二名。

    May, 2023

  • HDR 视频重建：一种粗到细的网络和一个现实世界基准数据集

    通过粗略的图像对齐和像素混合以及在粗略的 HDR 视频的特征空间中进行更复杂的对齐和时间融合，我们提出了一种基于深度学习的 HDR 视频重建框架，并提出了一个新的 HDR 视频重建数据集和一些优化方法。

    Mar, 2021

  • 单张图像去雨：全面基准分析

    本文针对单幅图像去雨算法进行了全面的研究和评估，建立了一个大规模的数据集作为对比基准，其中包括从合成图像到真实世界的雨天图像等多种数据来源和图像内容，并将其分为雨纹、雨滴、雨和雾三个子集，每个子集分别服务于不同的训练或评估目的。我们还提供了多种评估标准，从全参考度量到零参考度量，到主观评估和新颖的任务驱动评估。在数据集上的实验揭示了现有单幅图像去雨算法之间的差异和局限性，并提出了有前途的未来方向。

    Mar, 2019

  • 具有超丰富背景的超高分辨率分割：一项新的基准测试

    介绍一种包含高分辨率图像，丰富场景上下文和细致注释的大规模数据集 URUR，以及一个更高效和有效的含有离散小波变换和小波平滑损失的 UHR 语义分割框架 WSDNet。

    May, 2023