Jun, 2024

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

PDF
TL;DR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。
real-world image dehazingcooperative unfolding networkiterative mean-teacher frameworklabel poolstate-of-the-art performance
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • ODCR: 正交解耦对比正则化用于无配对图像去雾

    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。

    Apr, 2024

  • 学习聚合传输传播网络以实现雾霾去除及拓展

    本文设计了一种新的残差结构来整合先验信息和数据信息，以便在单幅图像去雾、水下图像增强和单幅图像去雨等挑战性视觉任务中取得更好的效果。实验结果证明该方法的有效性和高效性。

    Nov, 2017

  • 去雾遥感与无人机影像：深度学习、基于先验和混合方法的综述

    在遥感和无人机应用中，高质量图像是至关重要的，但大气雾霾严重影响图像质量，因此图像去雾成为一个关键的研究领域。本综述超越了传统对基准雾霾数据集的关注点，还探讨了去雾技术在遥感和无人机数据集中的应用，全面概述了这些领域中的深度学习和基于先验的方法。我们确定了关键挑战，包括缺乏大规模遥感数据集和需要更加稳健的评估指标，并概述了解决这些挑战的潜在解决方案和未来研究方向。这是我们所知的第一篇详细讨论基准和遥感数据集上现有以及最近（截至 2024 年）的图像去雾方法的综述，包括基于无人机图像的内容。

    May, 2024

  • 一种多功能去雾网络

    本文提出了一种基于卷积神经网络的图像去雾模型 AOD-Net，其通过一种新颖的端到端设计，直接生成干净图像，进而通过与 Faster R-CNN 模型的级联来提高雾图上的目标检测性能。实验结果表明，该模型在合成和自然雾图数据集上均表现出比现有模型更卓越的 PSNR, SSIM 和主观视觉质量表现。

    Jul, 2017