2020CVPR去雾-Domain Adaptation for Image Dehazing Yuanjie

最新推荐文章于 2024-06-20 14:21:54 发布
最新推荐文章于 2024-06-20 14:21:54 发布
阅读量1.1k 收藏 6
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_41872271/article/details/107127669
版权

这篇文章针对人为构造的训练数据集与真实雾霾景象存在区别而导致训练好的模型在实际应用中效果不好的问题进行了探究

整体思想是：已知两个数据集，合成数据集（含label）S和真实数据集R，分别通过S2R网络和R2S网络生成另外两个数据集S->R和R->S，共四个数据集。S和R->S两个数据集共享生成网络参数来训练去雾，R和S->R两个数据集共享另一个生成网络（与前一个网络结构相同）参数来训练去雾。

整个网络的细节部分很多，因而有非常多的loss
在这里插入图片描述

损失函数

1、转换部分
1）对抗损失，二选一举例

从图像和特征两个角度分别计算
2）借鉴与cyclegan，两个变换应该具有连续型，定义连续型损失为
在这里插入图片描述
3）映射损失（没看懂）
在这里插入图片描述
转换部分总结
在这里插入图片描述
2、去雾部分
1）有标签的数据采用均方损失mse，二选一举例
在这里插入图片描述
2）没有标签的数据采用水平、垂直梯度最小化和暗通道值最小化,二选一举例

在这里插入图片描述
在这里插入图片描述
针对1）2）部分另一组数据
在这里插入图片描述
3）两个去雾网络（针对合成数据和真实数据）的生成结果应该尽可能相同，引入连续型损失
在这里插入图片描述
所有损失函数总结
在这里插入图片描述

损失函数太多，超参有点多。如果以后遇到训练效果好而实战效果差的情况可以考虑该方法。

一往而深_
关注
  • 3
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
深度学习——Domain Adaptation for Image Dehazing
weixin_51352656的博客
03-07 1023
CVPR2020原论文：Domain Adaptation for Image Dehazing 开源代码（pytorch框架）：https://github.com/HUSTSYJ/DA_dahazing 1.主要内容： 提出了领域适应的单幅图像去雾网络。能够有效在合成数据集合和真实数据集的差异之间建立联系。利用人工合成数据集训练，同时利用真实图像数据集参与训练，使得网络对人工合成图像和真实图像都具备较好的去雾能力。 （领域适应：指深度网络利用人工合成数据集训练的同时，能够在真实图像数据集领域中有较好的泛
2020CVPR去雾-Distilling Image Dehazing With Heterogeneous Task Imitation论文源码
01-04
《2020CVPR去雾-Distilling Image Dehazing With Heterogeneous Task Imitation论文源码》是关于图像处理领域的一项重要研究，它主要聚焦于图像去雾技术。图像去雾，顾名思义，是针对拍摄时由于大气散射导致的图像...
Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)
yanglong6666的博客
01-16 2948
摘要：现有的去雾方法大多是在合成的雾霾图像上训练去雾模型，但由于域的偏移，对真实的雾霾图像的泛化效果较差。故提出一种领域自适应模式，该模式由一个图像平移模块和两个图像去雾模块组成。具体来说，首先应用一个双向网络，通过将图像从一个域转换到另一个域，来弥补合成域和真实域之间的差距。然后，使用平移前后的图像训练两个具有一致性约束的图像去雾网络。在这一阶段，利用清晰图像的特性（如暗通道先验和图像梯度平滑），将真实的朦胧图像纳入去雾训练中，进一步提高域自适应性。通过端到端对图像平移和去雾网络进行训练，可以获得较好的图
基于深度学习的图像去雾
最新发布
weixin_42605076的博客
06-20 967
基于深度学习的图像去雾技术利用了卷积神经网络、生成对抗网络、多尺度卷积神经网络和循环神经网络等模型，实现了从有雾图像到清晰图像的端到端转换。相比传统方法，深度学习方法在处理复杂场景和不同雾霾条件下表现出更强的鲁棒性和适应性。随着深度学习技术的发展，图像去雾的性能将进一步提升，其应用范围也将继续扩展，为多个领域带来显著的技术进步。
论文阅读：Domain Adaptation for Image Dehazing
space_walk的博客
08-31 2313
代码：https://github.com/HUSTSYJ/DA_dahazing 目录1. 摘要2. 网络结构2.1 概述2.2 图像迁移模块2.3 去雾模块3. 损失函数3.1 图像迁移损失 1. 摘要     近年来，使用基于学习的方法进行图像去雾已取得了最先进的性能。但是，由于域迁移，大多数现有在合成数据集上训练的去雾网络，都无法很好的解决真实雾图的去雾。为了解决这个问题，本文提出了一种领域适应模型，它由一个图像迁移模块和两个图像去雾模块组成。具体来说，首先应用双向迁移网络，通过将图像从一个域转换.
Domain Adaptation for Image Dehazing(cvpr2020)
change_lkl的博客
04-18 3390
摘要：近年来，使用基于学习的方法的图像去雾已经实现了最先进(SOAT）的性能。然而，大多数现有方法在合成的模糊图像上训练去雾模型，由于域偏移，该去雾模型不太能够很好地推广到真实的模糊图像。为了解决这个问题，我们提出了一个领域适应范例，它包括一个图像翻译模块和两个图像去雾模块。具体来说，我们首先应用双向翻译网络，通过将图像从一个域翻译到另一个域来弥合合成域和真实域之间的差距。然后，我们使用翻译前后的图像来训练一个有一致性约束的双图像去雾网络。在这个阶段，我们通过利用清晰图像的属性(例如，暗通道先验和图像梯度平
论文笔记：Domain Adaptation for Image Dehazing
起风了丿的博客
11-30 1371
摘要
2020CVPR去雾-Multi-Scale Boosted Dehazing Network with Dense Feature Fusion论文源码
01-04
《深度学习驱动的多尺度增强去雾网络：2020CVPR论文源码解析》 在计算机视觉领域，图像去雾技术是一项重要的预处理任务，它旨在恢复因大气散射导致的图像模糊，提高图像的清晰度和可读性。2020年的CVPR（Computer ...
CVPR2022 Image Dehazing Transformer with Transmission-Aware 3D代码
09-24
CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 源代码，很有学习价值，大佬任文琦团队的最新去雾杰作，从3D定位的角度去思考去雾。CVPR 2022 Image Dehazing Transformer ...
SID---Single-Image-Dehazing.zip_Dark_SID_cvpr2009_haze softmatti
07-14
dahaze, cvpr 2009, he kai ming, single image haze removal using dark channel with softmatting
Domain Adaptation for Visual Recognition
01-07
Domain adaptation is an active, emerging research area that attempts to address the changes in data distribution across training and testing datasets. With the availability of a multitude of image acquisition sen- sors, variations due to illumination, and viewpoint among others, com- puter vision applications present a very natural test bed for evaluating domain adaptation methods. In this monograph, we provide a compre- hensive overview of domain adaptation solutions for visual recognition problems. By starting with the problem description and illustrations, we discuss three adaptation scenarios namely, (i) unsupervised adap- tation where the “source domain” training data is partially labeled and the “target domain” test data is unlabeled, (ii) semi-supervised adaptation where the target domain also has partial labels, and (iii) multi-domain heterogeneous adaptation which studies the previous two settings with the source and/or target having more than one domain, and accounts for cases where the features used to represent the data in each domain are different. For all these topics we discuss existing adaptation techniques in the literature, which are motivated by the principles of max-margin discriminative learning, manifold learning, sparse coding, as well as low-rank representations. These techniques have shown improved performance on a variety of applications such as object recognition, face recognition, activity analysis, concept clas- sification, and person detection. We then conclude by analyzing the challenges posed by the realm of “big visual data”, in terms of the generalization ability of adaptation algorithms to unconstrained data acquisition as well as issues related to their computational tractability, and draw parallels with the efforts from vision community on image transformation models, and invariant descriptors so as to facilitate im- proved understanding of vision problems under uncertainty.
最新图像去雾代码以及对应CVPR文章
12-04
基于边界约束的图像去雾代码和论文，CVPR最新去雾文章，内含matlab源代码和论文
用于深度学习图像去雾的数据集
02-27
用于深度学习图像去雾的数据集，包含了250张清晰图像和对应的250*8张不同程度清晰图像
CVPR-2020-2021-Image-Segmentation-and-detection-challenge
03-30
CVPR-2020-2021 卫星地球图像分段与检测挑战。 让我们分割卫星地球图像。 这是由CVPR 2020和2021发布的公开比赛]农业视觉数据集，获奖挑战赛和研讨会： 与许多伟大的合作者共同努力，将农业和计算机视觉/人工智能...
Awesome-CVPR2021-CVPR2020-Low-Level-Vision:CVPR2021CVPR2020低层视觉的论文和代码合集
04-11
VisionA Collection of Papers and Codes for CVPR2021/CVPR2020 Low Level Vision or Image Reconstruction整理汇总了下2021年CVPR和2020年CVPR底层视觉(Low-Level Vision)相关的一些论文和代码，包括超分辨率，...
MyDLNote-Enhancement:[2020 CVPR] Domain Adaptation for Image Dehazing
u014546828的博客
06-08 2171
2020 CVPR : Domain Adaptation for Image Dehazing [paper] :http://export.arxiv.org/pdf/2005.04668 这篇文章之所以能够在 CVPR 发表，真的是因为该文章确实切中了目前基于深度学习去雾算法的要害，即依据大气光物理模型生成的人工合成雾图像与真实拍到的雾图像是不一样的。也就是说，大家一直广泛应用的大气光物理模型只是雾图像产生的一个近似图像，而非真实图像。在人工合成数据集上训练的去雾模型，自然是不能适应于真实..
CVPR2021-Semi-supervised Domain Adaptation based on Dual-level Domain Mixing for Semantic Segmentati
ssshyeong的博客
02-07 3092
CVPR2021半监督图像语义分割，为了解决SSDA的任务，提出了一种**基于双层域混合**的新框架。拟议的框架包括三个阶段。首先，提出了两种数据混合方法，分别在区域级和样本级减小域间距。基于两个层次的混合数据，我们可以分别从整体和局部的角度获得两个互补的领域混合教师。然后，通过从这两位老师那里提取知识来学习一个学生模型。最后，以自我培训的方式生成未标记数据的伪标签，用于另外几轮教师培训。
(CVPR 2019)Universal Domain adaptation笔记
VioletSaber的博客
09-19 1693
(CVPR 2019)Universal Domain Adaptation 文章链接 本文主要是针对Universal Domain Adaptation问题提出的方法 Universal Domain Adaptation是指目标域的标签空间未知的无监督领域自适应（Unsupervised Domain Adaptation）问题，如下图所示 网络结构 训练部分，图像xxx输入进入特征提取器FFF，得到特征向量zzz D′D'D′是一个非对抗领域判别器，DDD是一个对抗领域判别器，用于判断输入zzz
cvpr 2019之迁移学习:contrastive adaptation network for unsupervised domain a
01-28
CVPR 2019中发表了一篇题为“迁移学习:无监督领域自适应的对比适应网络（Contrastive Adaptation Network for Unsupervised Domain Adaptation）”的论文。这篇论文主要介绍了一种用于无监督领域自适应的对比适应网络。 迁移学习是指将从一个源领域学到的知识应用到一个目标领域的任务中。在无监督领域自适应中，源领域和目标领域的标签信息是不可用的，因此算法需要通过从源领域到目标领域的无监督样本对齐来实现知识迁移。 该论文提出的对比适应网络（Contrastive Adaptation Network，CAN）的目标是通过优化源领域上的特征表示，使其能够适应目标领域的特征分布。CAN的关键思想是通过对比损失来对源领域和目标领域的特征进行匹配。 具体地说，CAN首先通过一个共享的特征提取器来提取源领域和目标领域的特征表示。然后，通过对比损失函数来测量源领域和目标领域的特征之间的差异。对比损失函数的目标是使源领域和目标领域的特征在特定的度量空间中更加接近。最后，CAN通过最小化对比损失来优化特征提取器，以使源领域的特征能够适应目标领域。 该论文还对CAN进行了实验验证。实验结果表明，与其他无监督领域自适应方法相比，CAN在多个图像分类任务上取得了更好的性能，证明了其有效性和优越性。 综上所述，这篇CVPR 2019论文介绍了一种用于无监督领域自适应的对比适应网络，通过对源领域和目标领域的特征进行对比学习，使得源领域的特征能够适应目标领域。该方法在实验中展现了较好的性能，有望在无监督领域自适应任务中发挥重要作用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值