- GT-Rain 单图像去雨挑战报告
这篇报告回顾了 CVPR 2023 UG2+ 研讨会上单张图像去雨 GT-Rain 挑战的结果,目标是研究真实场景中的雨天现象,提供一个新颖的真实世界雨景图像数据集,并激发创新思路,推动单张图像去雨方法在真实图像上的发展。
- 学习图像去雨变换网络 with 动态双自注意力
该论文提出了一种基于 Transformer 的图像去雨算法,结合了密集和稀疏自注意力机制,通过选择最有用的相似性值和空间增强的前馈网络来提高去雨效果。实验证明了该方法的有效性。
- AAAI在线更新的高阶协作网络用于单图像去雨
本文提出了一种高阶协同网络,其中包括多尺度紧凑约束和双向尺度内容相似度挖掘模块,有助于实现去雨滴效果的提高,并通过自我监督学习方法来提高模型性能。
- RCDNet:用于单张图像去雨的可解释性降雨卷积字典网络
本文介绍一种基于 Rain Convolutional Dictionary Network 的单图像去雨方法,通过设计一种迭代算法,将其抽象成一种可解释的深度神经网络,从而在推理过程中提高去雨性能,特别适用于不同类型雨水的不一致情况。
- ECCV重新思考图像去雨:基于雨线和雾气的方法
本文提出了一种基于编码 - 解码卷积神经网络的单图像去雨方法,通过将雨纹视为传输介质结合雾气模拟出遮盖效应,同时将编码器 CNN 用来估计大气光。实验表明,该方法相对于现有方法在效果上有优势。
- 基于小波信道注意力融合网络的单幅图像去雨
本文提出了一种新的卷积神经网络,叫做 Wavelet 通道注意力模块与融合网络,通过利用小波变换和逆小波变换来恢复图像,结合通道注意力,取得了比现有方法更好的降雨噪声图像去噪效果。
- 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 - 单幅图像去雨的残差引导特征融合网络
本文提出了一种基于深度学习的残差引导特征融合网络 ResGuideNet,用于单幅图像去雨,通过级联网络和轻深度残差引导深层块来逐步预测高质量重建,并使用递归卷积构建每个块来实现监督,从而在石墨和真实数据上获得了更好的性能。