图像融合去雾、近红外去雾、(近)红外和可见光数据集

今天给大家分享一篇发表在IEEE TMM上的去雾文章

Joint Contrast Enhancement and Exposure Fusion for Real-World Image Dehazing

作者从对比度增强和曝光融合的视角来解决图像去雾问题，在真实场景上取得了较好的去雾效果。此外，作者将所提出的方法应用于手机人像编辑，低光照增强，夜景图像去雾等场景，均验证了所提方法的泛化性及有效性。

所提方法，如下图所示：

白天场景去雾

夜景去雾

人像编辑

低光增强

总结部分：该框架可以应用来解决其他相关的问题：

1）稠密雾去除，可以结合：近红外+可见光去雾。

2）低光照增强，水下图像增强，去除沙尘。

论文解读请参考：CEEF解读

相关代码链接：CEEF

根据上述论文，来分享一些相关的资源：

利用所提框架的部分内容进行深度化：Low-Light Image Enhancement、Single Image Dehazing

可以把上述的框架深度化，然后后面接其他high level的任务，比如：低光+识别，去雾+分割，水下增强+检测。

深度化相关工作：

近红外和可见光数据集：

[1] LLVIP

[2] OTCBVS

[3] CAMEL

[4] infrared and visible fusion datasets

[5] https://dsiac.org/technical-inquiries/notable/infrared-imagery-datasets/

[6] Visible-Infrared Database

[7] Bristol Eden Project Multi-Sensor Data Set

[8] Multi-Modal Stereo Datasets

[9] https://homepages.inf.ed.ac.uk/rbf/CVonline/Imagedbase.htm

[10] Visible-FIR Day-Night Pedestrian Sequence Dataset

[11] Multispectral Pedestrian Benchmark

[12] Vision for Visibility Dataset

热红外跟踪数据集：

[1] LSOTB-TIR: A Large-Scale High-Diversity Thermal Infrared Object Tracking Benchmark

近红外和可见光融合去雾：

[1] Near-Infrared Fusion via Color Regularization for Haze and Color Distortion Removals

[2] Near-Infrared Coloring via a Contrast-Preserving Mapping Model

水下图像增强：

[1] Color Balance and Fusion for Underwater Image Enhancement

医学图像融合

[1] Medical Image Fusion With Parameter-Adaptive Pulse Coupled Neural Network in Nonsubsampled Shearlet Transform Domain

去除沙尘

[1] 沙尘图像色彩恢复及增强卷积神经网络

图像恢复学习与交流群：805800214