- 雾天图像的神经光辐射场模型:Dehazing-NeRF
Dehazing-NeRF 是一种无监督方法,通过联合学习大气散射模型和清晰的 Neural Radiance Field 模型,解决拍摄模糊场景时大气散射对图像重建的影响,同时改善信息丢失造成的图像质量降低,具有更好的图像去雾和新视角合成 - 基于数据的视觉变换器非同质去雾方案
该研究提出了一种结合了 RGB 通道变换和最新 Transformers 的创新图像去雾方法,以缩小 NH-HAZE23 数据集和其他数据集之间的分布差距,并在非均质雾的情况下提高去雾性能。
- AAAI基于传输引导的贝叶斯生成模型用于烟雾分割
使用贝叶斯生成模型同时估算模型参数和预测来提高烟雾分割的准确性,在像素距离和透射特征基础上设计了传输引导局部相干损失以学习像素之间的关系,提供了一个高质量的数据集 SMOKE5K,实验结果表明我们的模型实现了准确的预测和可靠的不确定性映射。
- MM无源域自适应用于真实世界图像去雾
本研究提出了一种新型的无源无监督领域自适应(SFUDA)图像去雾范式,通过开发领域表征归一化模块,利用频率损失和物理先验损失指导无监督学习,插入我们的 DRN 模块,现有的源去雾模型能够去除未标记的真实模糊图像。
- 深度学习消除天问 - 1 号图像中的大规模沙尘暴
本文提出了一种利用地球成像除雾知识解决火星上除尘问题的方法,该方法采用天问一号遥感图像,通过手动选择数量众多的清洁和含尘图像,通过训练神经网络,成功地消除了火星上尘暴对图像质量的影响,并提高了其地貌和地形数据的精度。
- 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 - 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。
- CVPR一种两支路神经网络用于非均质去雾的集成学习
本文提出了一种简单而有效的经过集成学习的非均质去雾方法,该方法使用两个分支神经网络分别处理非均质去雾难题,并通过可学习的融合模块将它们的特征映射到一起,实现了在有限的数据情况下提高去雾效果的目的。
- 针对航空图像去雾的领域感知无监督高光谱重建
本文提出了一种基于 SkyGAN 的去雾方法,该方法包括领域感知的 H2H 模块和基于 cGAN 的多个图像转换模块,使用多光谱图像作为辅助信息,使用新的数据集 HAI 进行评估。
- CVPR单张图像去雾的隐式欧拉 ODE 网络
本文提出了一个高效的端到端多级隐式网络(MI-Net)以解决单图像除雾问题,通过采用多级融合(MLF)机制和残差通道注意块(RCA-block)来提高我们网络的性能。实验表明,该方法在几个除雾基准数据集上优于现有方法,并实现了最先进的性能。
- 只看你自己:无监督和未训练的单幅图像去雾神经网络
本文提出了一种名为 YOLY 的新型方法,采用三个子网络将观察到的混浊图像分成几个潜在层,并通过无监督和未经训练的特征实现图像去雾,实现了在无需清洁图像和图像库的情况下采用深度学习进行图像去雾的目的。
- CVPR快速深度多补丁分层网络用于非均质图像去雾
我们提出了一种快速的深度多块分层网络,通过聚合来自迷雾图像不同空间段的多个图像块的特征,从而以更少的网络参数恢复非均匀雾图像。与当前的多尺度方法相比,我们的方法提供更快的运行时,并展示了在密集雾去除方面相对于其他最先进模型的优势。
- CVPR图像去雾的域自适应
本文提出了一种基于学习的图像去雾域适应模型,该模型包含图像翻译模块和两个图像去雾模块,利用一致性约束训练图像翻译和去雾网络以实现更好效果。实验结果表明,该模型在合成和真实世界图像中表现优异。
- CVPRNH-HAZE: 具有非均质模糊和无模糊图像的图像去雾基准测试
本研究提供了第一个包含非均一雾的真实数据集(NH-HAZE),用于对单幅图像去雾方法的客观评估。研究人员使用专业的雾发生器模拟真实的雾霾情况,并对多种最先进的去雾方法进行了评估。
- CVPRNTIRE 2020 非均匀去雾挑战赛
本文回顾了 NTIRE 2020 关于非均质去雾图像的挑战,重点关注解决方案及其结果,对使用非均质人工生成的 NH-Haze 数据集进行了评估,并提出的方案在图像去雾领域达到了最先进水平。
- AAAIFD-GAN:单张图像去雾的融合鉴别器生成对抗网络
本研究提出了一种全面的、端到端的生成对抗网络,结合了融合鉴别器 (FD-GAN),它可以更自然、更真实地生成去雾图像,并且已经在在公共合成数据集和真实世界图像上表现出最先进的性能,取得了更具视觉效果的去雾结果。
- CVPR高效单图像去雾的特征传递
本文提出了一种高效的完全卷积神经网络图像去雾方法,旨在为边缘图形处理单元提供支持,并使用三种变体的体系结构来探索去雾图像质量对参数数量和模型设计的依赖性。
- 用于图像去雾和去雨的门控上下文聚合网络
本研究提出了一种直接恢复最终无雾图像的端到端门控上下文聚合网络方法,采用最新的平滑膨胀技术帮助消除由扩张卷积引起的网格状伪影,并利用门控子网络融合不同层次的特征。广泛的实验表明,所提出的方法在定量和定性上都能超越以前的最先进方法。此外,我们 - 雾霾去除是否有助于基于 CNN 的图像分类?
通过实验结果,发现现有的图像去雾方法不能显著改善图像分类性能,有时会甚至会降低图像分类性能。
- I-HAZE: 一个真实室内有雾和无雾图像的去雾基准测试
介绍了一个新的数据集 - I-HAZE,包含由真实雾气生成的 35 对室内图像,便于比较图像去雾算法的表现。