Aug, 2024

全天气图像修复：基于视觉上下文学习的技术

HTML
PDF
TL;DR本研究解决了在恶劣天气条件下图像修复的挑战，指出以往方法在训练数据的依赖和上下文信息的利用不足。我们提出的AWRaCLe方法通过利用特定退化的视觉上下文信息，创新性地引导图像修复过程，实验证明该方法在全天气图像修复领域显著提升了性能。
发现论文，激发创造
  • 一次性恢复任意混合恶劣气候条件下拍摄的图像

    提出了一种新颖的框架RAHC，用于恢复复杂的天气情况下的图像，同时建立了一个新的数据集 HAC，用于学习和基准测试不同的天气条件下的图像恢复方法。

    May, 2023

  • 大规模预训练模型在恶劣天气去除中的应用探索

    本文提出了一种基于空间特征表示学习和语义信息嵌入的方法，通过CLIP等大规模预训练模型来提高图像恢复在各种噪声天气条件下的表现，并且实验结果表明该方法达到了最先进的性能水平。

    Jun, 2023

  • MetaWeather: 基于降级模式匹配的少样本天气劣化图像恢复

    MetaWeather是一种针对任意天气条件的少样本天气恢复方法，通过匹配新天气条件下输入图像和示例图像之间的特征，利用元学习构建元知识以提供灵活的适应性，并通过参数高效的微调方法来避免过拟合问题。在BID Task II.A数据集上的实验表明，与最先进的图像恢复方法相比，我们的方法在峰值信噪比和结构相似性方面取得了最佳性能。

    Aug, 2023

  • 始终晴朗的日子：意识到退化类型和严重程度的一体化逆境天气消除

    提出了一种名为UtilityIR的基于退化类型和严重程度感知的模型，用于盲目进行全方位恶劣天气图像恢复，该方法在不同的天气恢复任务上，在客观和主观上都能明显超过其他方法，并拥有更少的模型参数。

    Oct, 2023

  • 基于语言的一体化恶劣天气去除

    提出了一种利用预训练视觉-语言模型增加多样化的天气特定知识，并基于描述生成退化指导的语言驱动修复框架，通过选择修复专家来自适应地学习天气特定和共享知识，以应对不同的天气条件。实验证明性能优越。

    Dec, 2023

  • 解耦恶劣天气图像恢复中的退化与内容处理

    介绍了一种名为DDCNet的新型逆风气象图像恢复方法，通过基于信道统计的特征级别对降解去除过程和内容重建过程进行分离，利用傅里叶变换在这两个过程中的独特优势，进而提高恶劣天气图像恢复的质量。

    Dec, 2023

  • 统一网络结构下的知识重播全方位恶劣天气去除

    开发了一种面向实际应用的新型连续学习框架，用于不断学习从不同恶劣天气中提取图像，通过知识回放和共享在统一网络结构中积累了不同恶劣天气的知识。

    Mar, 2024

  • 通过直方图变换器恢复不良天气条件下的图像

    基于Transformer的图像恢复方法，使用直方图自注意机制以及动态范围卷积，在逆境天气下恢复图像效果优于传统方法。

    Jul, 2024

  • 面向真实世界恶劣天气图像恢复：利用视觉语言模型增强清晰度和语义

    本研究解决了恶劣天气图像恢复方法在真实场景应用时受到的合成数据训练的限制。通过基于视觉语言模型的半监督学习框架，我们能在多样的恶劣天气条件下提升恢复性能，主要通过真实数据来评估清晰度和提供语义信息，取得了比现有先进技术更优的恢复结果。

    Sep, 2024

  • 根据人才定制的教学：通过提示池和深度任意约束进行恶劣天气恢复

    本研究针对恶劣天气恢复中的动态处理与背景重建问题，提出了一种新方法T3-DiffWeather。该方法利用提示池和深度任意特征约束，能够自适应组合提示，显著提高了模型在各种合成和真实数据集上的计算效率和性能。实验结果表明，该方法在现有的扩散技术中表现最为出色。

    Sep, 2024