图像去雾论文阅读
文章平均质量分 92
对一些去雾论文的理解
Space_walk
这个作者很懒,什么都没留下…
展开
-
论文阅读:FFA-Net: Feature Fusion Attention Network for Single Image Dehazing
代码:https://github.com/zhilin007/FFA-Net目录1. 摘要2. 网络结构2.1 Feature Attention(FA)Channel Attention(CA)Pixel Attention(PA)2.2 Basic Block Structure2.3 Group Architecture and Global Residual Learning2.4 Feature Fusion Attention3. 损失函数4. 读后感1. 摘要 本文提出了Fea.原创 2020-10-19 20:00:54 · 5162 阅读 · 3 评论 -
论文阅读:HardGAN: A Haze-Aware Representation Distillation GAN for Single Image Dehazing
代码:https://github.com/huangzilingcv/HardGAN目录1. 摘要2. 网络结构GeneratorHARD模块3. 损失函数3.1 Adversarial Loss3.2 Smooth L1L1L1 Loss3.3 Perceptual Loss4. 其余部分5. 总结1. 摘要 本文提出了Haze-Aware Representation Distillation GAN(HardGAN),用于单幅图像去雾。2. 网络结构 下图1展示了生成器结构。.原创 2020-10-14 16:51:08 · 2450 阅读 · 0 评论 -
论文阅读:FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing
目录原创 2020-09-29 09:05:02 · 2376 阅读 · 0 评论 -
论文阅读:Multi-Scale Boosted Dehazing Network with Dense Feature Fusion
代码:https://github.com/BookerDeWitt/MSBDN-DFF目录1. 摘要2. 提出的方法2.1 Multi-Scale Boosted Dehazing Network2.2 SOS Boosted Module1) Boosting in image dehazing2) Deep boosted dehazing network3) Alternatives to SOS boosted module2.3 Dense Feature Fusion Module2.4 .原创 2020-09-24 10:11:39 · 5866 阅读 · 12 评论 -
Color Cast Dependent Image Dehazing via Adaptive Airlight Refinement and Non-linear Color Balancing
又给我来一个这么有挑战的题目,上次多两个字符,把“阅读”二字删除了,这次多了四个字符,只能把“论文阅读”删除了。目录1. 摘要2. 提出的方法2.1 Hazy Image Classification as Color Cast or Non-cast1. 摘要2. 提出的方法 本文提出的方法的流程图如图1所示。图1 方法流程图 方法包括六个模块,分别为分类,颜色平衡,DCP计算,大气光估计和校准,传输率图估计以及清晰图像计算。2.1 Hazy Image Classi.原创 2020-09-15 10:34:35 · 1026 阅读 · 6 评论 -
论文阅读:Enhanced Pix2pix Dehazing Network
代码:https://github.com/ErinChen1/EPDN目录1. 摘要2. 网络结构2.1 Multi-resolution generator2.2 Multi-scale discriminator2.3 Enhancer3. 损失函数3.1 Adversarial Loss3.2 Feature Matching Loss3.3 Perceptual Loss3.4 Fidelity Loss4. 训练过程5. 读后感1. 摘要 本文提出了Enhanced Pix2pix.原创 2020-09-14 08:59:03 · 3459 阅读 · 6 评论 -
论文阅读:Densely Connected Pyramid Dehazing Network
代码:https://github.com/hezhangsprinter/DCPDN目录1. 摘要2. 网络结构2.1 Pyramid Densely Connected Transmission Map Estimation2.2 Atmospheric Light Estimation Network2.3 Joint Discriminator3. 损失函数3.1 GAN优化目标3.2 边界感知损失3.3 总损失函数4. 读后感1. 摘要 本文提出了Densely Connected .原创 2020-09-12 11:17:44 · 3516 阅读 · 2 评论 -
论文阅读:Dehaze-GLCGAN: Unpaired Single Image Dehazing Via Adversarial Training
目录1. 摘要2. 网络结构2.1 整体结构2.1 网络详情1) 生成器2) 判别器3. 损失函数3.1 对抗损失3.2 循环一致性损失3.3 颜色损失3.4 循环感知损失3.5 总损失4. 读后感1. 摘要 本文提出了一个名为Global-Local Cycle-consistent Generative Adversarial Network(Dehaze-GLCGAN)的去雾网络。该网络包含两个生成器和四个判别器。两个生成器分别用于从雾图产生去雾图和从无雾图产生雾图。四个判别器,两个为全局.原创 2020-09-10 15:12:42 · 1319 阅读 · 4 评论 -
论文阅读:Multi-scale Optimal Fusion model for single image dehazing
代码:https://github.com/phoenixtreesky7/mof_dehazing目录1. 摘要2. 提出的方法2.1 大气散射模型和暗通道先验2.2 MOF1) 获取Wtme\boldsymbol{W}_{t m e}Wtme&Wtme‾\boldsymbol{W}_{\overline{t m e}}Wtme1. 摘要 逐像素(pixel-wise)估计传输率图会导致过饱和,而逐块(patch-wise)估计会导致边缘的传输率错误估计(Transmission.原创 2020-09-08 19:40:10 · 1106 阅读 · 1 评论 -
论文阅读:Fast Single Image Dehazing Using Saturation Based Transmission Map Estimation
代码在文末给出,因为只有一个py文件。该代码是作者给出的。目录1. 提出的方法1.1 大气散射模型1.2 传输率图公式1.3 传输率图估计1.4 估计场景辐射得饱和度1.5 处理颜色偏色1.6 大气光估计1.7 算法总结2. 实验结果3. 读后感4. 代码1. 提出的方法1.1 大气散射模型 大气散射模型:H(x)=t(x)J(x)+[1−t(x)]A(1)\mathbf{H}(x)=t(x) \mathbf{J}(x)+[1-t(x)] \mathbf{A} \tag{1}H(x)=.原创 2020-09-06 09:02:45 · 2126 阅读 · 6 评论 -
论文:Transmission Map and Atmospheric Light Guided Iterative Updater Network for Single Image Dehazing
项目主页:https://aupendu.github.io/iterative-dehaze(代码暂未公布)博客题目:论文阅读:Transmission Map and Atmospheric Light Guided Iterative Updater Network for Single Image Dehazing(由于博客题目有100个字符的限制,而上述题目102个字符(不信你数数),所以题目只能去掉阅读二字)目录1. 摘要2. 网络结构2.1 Transmission Map Esti.原创 2020-09-04 16:43:07 · 1762 阅读 · 2 评论 -
论文阅读:DehazeNet: An End-to-End System for Single Image Haze Removal
代码(MATLAB):https://github.com/caibolun/DehazeNet代码(PyTorch): https://github.com/thuBingo/DehazeNet_Pytorch目录1. 摘要2. 雾相关特征2.1 Dark Channel2.2 Maximum Contrast2.3 Color Attenuation2.4 Hue Disparity1. 摘要 本文提出了一种称为DehazeNet\mathrm{DehazeNet}DehazeNet的可.原创 2020-09-03 14:25:25 · 4784 阅读 · 2 评论 -
论文阅读:Visibility in BadWeather from a Single Image(未完)
目录1. 摘要2. 光学模型2.1 色度定义2.2 大气光2.3 大气光白化3. 问题定义转换成求AAA4.4.1 最大化对比度4.2 大气光平滑约束1. 摘要 本文提出的方法基于两个基本观察结果:首先,视觉效果好的图像(或晴天图像)比受恶劣天气影响的图像具有更高的对比度;其次,主要取决于物体到摄像机距离的大气光,在全局而言是平滑的。依靠这两个观察,本文在马尔可夫随机场的框架中开发了一个成本函数,可以通过各种技术(例如图割或置信传播)有效地优化该函数。该方法不需要输入图像的几何信息,并且适用于彩.原创 2020-09-02 19:29:19 · 1594 阅读 · 1 评论 -
论文阅读:Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing
代码:https://github.com/engindeniz/Cycle-Dehaze目录1. 摘要2. Cycle\mathrm{Cycle}Cycle-Dehaze\mathrm{Dehaze}Dehaze2.1 Full objective of CycleGAN1) Adversarial Loss2) Cycle Consistency Loss3) Full objective of CycleGAN2.2 Cyclic perceptual-consistency Loss2.3 F.原创 2020-09-01 16:46:20 · 3631 阅读 · 0 评论 -
论文阅读:Domain Adaptation for Image Dehazing
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.原创 2020-08-31 09:53:02 · 2671 阅读 · 13 评论 -
论文阅读:You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network
代码目前还未公布,但是作者在文章中声明会开源。目录1. 摘要2. 网络结构及损失函数2.1 the Top layer of YOLY2.2 J-Net2.3 T-Net2.4 A-Net3. 损失函数1. 摘要 本文研究了单幅图像去雾中的两个具有挑战性和较少接触的问题,即如何在不训练Ground-Truth图像(无监督)和图像集合(未经训练)的情况下使深度学习实现图像去雾。本文提出了一种新颖的方法,称为“You Only Look Yourself”(YOLY),它可能是第一个用于图像去雾的.原创 2020-08-29 11:17:58 · 1973 阅读 · 0 评论 -
论文阅读:A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior
CAP颜色衰减先验观察原理颜色衰减先验观察人类大脑不需要任何额外信息,就可以很轻松的分辨出一幅图像中的有雾区域。这启发了我们对各种模糊图像进行大量的实验,以寻找统计规律,寻找新的单图像去雾先验。有趣的是,我们发现有雾图像中像素的亮度和饱和度随着雾浓度的变化而急剧变化。图2给出了一个自然场景的例子,展示了模糊图像中像素的亮度和饱和度是如何变化的。如图2(d)所示,在无雾区域,场景的饱和度很高,亮度适中,亮度和饱和度的差值接近于零。但从图2(c)可以看出,在薄雾的影响下,斑块的饱和度急剧下降,而场景的原创 2020-08-27 17:35:53 · 5180 阅读 · 2 评论 -
论文阅读:Non-Local Image Dehazing
代码:https://github.com/danaberman/non-local-dehazing本文中关于雾线的思想,和Meng(BCCR)方法中“推向论”的思想有异曲同工之妙。目录1. 摘要2. 先验3. 去雾方法3.1 Finding Haze-Lines3.2 Estimating Initial Transmission3.3 Regularization3.4 Dehazing3.5 中间结果4. 实验结果5. 总结6. 读后感1. 摘要 本文提出了一种基于Non-Local.原创 2020-08-26 20:17:57 · 5753 阅读 · 6 评论 -
论文阅读:Efficient Image Dehazing with Boundary Constraint and Contextual Regularization
这篇文章便是去雾界鼎鼎大名的Meng(BCCR)方法。这篇博客是我自己的一点理解和心得,有错误之处还请各位读者指出。代码:https://github.com/gfmeng/imagedehaze目录1. 摘要2. 先验A. Boundary Constraint from Radiance Cube1) 求tb(x)t_b(x)tb(x)2) 求t(x)t(x)t(x)B. Weighted L1L_1L1-norm based Contextual Regularization3. 传输率估计.原创 2020-08-22 09:34:31 · 3723 阅读 · 5 评论 -
论文阅读:Learning to Dehaze From Realistic Scene with A Fast Physics Based Dehazing Network
代码:https://github.com/liruoteng/3DRealisticSceneDehaze(未公布)1. 摘要基于学习的方法需要有雾图和ground-truth作为学习的数据集,但是通常不太可能捕捉到真实的这类数据。现在许多研究通过使用大气散射模型在普通RGBD数据集上合成雾图和ground-truth对的数据集。然而,由于高质量深度的大型数据集大多是室内的,室外的深度图不精确,合成数据集与真实的模糊图像之间仍存在差距。本文用一个新的,大量的,多样的高清3D视频中的真实室外场景的数据.原创 2020-08-19 20:26:07 · 1027 阅读 · 2 评论 -
论文阅读:Semi-Supervised Image Dehazing
论文及代码:https://sites.google.com/view/lerenhanli/homepage/semi_su_dehazing目录1. 摘要2. 半监督方法2.1 网络结构2.2 损失函数2.2.1 监督损失1) Mean Squared Loss2) Perceptual Loss3) Adversarial Loss2.2.2 无监督损失1) Total Variation Loss2) Dark Channel Loss2.2.3 Overall Loss3. 实验结果4. 结论.原创 2020-08-19 08:59:44 · 2239 阅读 · 0 评论 -
论文阅读:GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing
论文及代码详见: 目录1. 摘要2. GridDehazeNet2.1 网络结构2.2. 通道注意力的特征融合2.3 损失函数2.3.1 Smooth L1L_1L1 Loss2.3.2 Perceptual Loss2.3.3 Total Loss实验结果1. 摘要文章提出了一种端到端可训练的CNN,即GridDehazeNet。GridDehazeNet包含三个模块:预处理模块,主干模块和后处理模块。可训练的预处理模块相比手工选择的预处理方法,可以产生具有更好的多样性和更有针对性的输入。主干模块.原创 2020-08-18 20:23:38 · 4013 阅读 · 0 评论