- 博客(25)
- 收藏
- 关注
RSS订阅原创 Towards Perceptual Image Dehazing by Physics-Based Disentanglement and Adversarial Training（2019）
通过基于物理的解缠结和对抗训练实现感知图像去雾
2022-06-17 13:45:22
830
1
原创 End-to-End Single Image Fog Removal using Enhanced Cycle ConsistentAdversarial Networks-2019
用增强循环一致对抗网络的端到端单图像雾去除
2022-06-10 11:27:20
664
1
原创 Semi-Supervised Image Dehazing（半监督图像去雾）2020
本文介绍了一种有效的半监督学习算法，用于单幅图像去雾。所提出的算法应用了一个包含监督学习分支和无监督学习分支的深度卷积神经网络 (CNN)。
2022-06-03 11:15:35
1287
原创 基于生成对抗网络的无监督单幅图像去雾（Unsupervised single image dehazing with generative adversarial network_2021）
摘要： 本文提出了一种基于 GAN 的无监督去雾算法来缓解这个问题。 建立了一个基于 GAN 架构的端到端网络，并提供了未配对的干净和朦胧图像，这意味着不需要估计大气光和传输。 所提出的网络由三部分组成：生成器、全局测试鉴别器和局部上下文鉴别器。 此外，应用基于暗通道先验的注意机制来处理不一致的雾度。 使用RESIDE 数据集进行实验。 大量实验证明了所提出方法的有效性，该方法在很大程度上优于以前最先进的无监督方法。本文提出了一种具有未配对模糊和清晰图像的生成对抗网络训练。与其他无监...
2022-05-20 10:36:24
3130
3
原创 Unsupervised Single Image Dehazing Using DarkChannel Prior Loss（使用暗通道先验损失的无监督单图像去雾）
概述：由于收集匹配的清晰和模糊图像的固有限制，基于先验和基于学习的方法诉诸于综合数据的训练; 由室内图像和相应的深度信息构建。在处理室外场景时，这可能会导致域转移。我们提出了一种通过最小化众所周知的暗通道先验 (DCP) 能量函数的完全无监督的训练方法。我们不使用合成数据向网络提供，而是仅使用真实世界的户外图像，并通过直接最小化DCP来调整网络的参数。尽管我们的 “深度DCP” 技术可以被视为DCP的快速逼近器，但它实际上可以显着改善其结果。这表明通过网络和学习过程获得了额外的正则化。实验表明，我们的方
2022-05-13 12:37:09
1143
原创 Complementary Feature Enhanced Network withVision Transformer for Image Dehazing_2021
概述：本文提出了一个用于图像去雾的具有视觉转换器的互补特征增强网络，传统的基于 CNN 的去雾模型存在两个基本问题：去雾框架（可解释性有限）和卷积层（与内容无关，无法有效学习远程依赖信息）。 在本文中，首先，提出了一个新的互补特征增强框架，其中互补特征由几个互补的子任务学习，然后共同提高主要任务的性能。 新框架的突出优势之一是有目的地选择的互补任务可以专注于学习弱依赖的互补特征，避免重复和无效的网络学习。 我们基于这样的框架设计了一个新的去雾网络。 具体来说，本文选择...
2022-04-19 17:49:50
892
1
原创 IPUDN（用于单幅图像去雾的透射图和大气光导迭代更新器网络）CVPR_2020
摘要：本文提出了一种基于新颖的迭代更新框架的迭代先验更新网络 (IPUDN)。我们提出了一种新颖的卷积体系结构来估计信道方向的大气光，并将其与估计的透射图一起用作去雾网络的先验。使用通道方向的大气光可以使我们的网络处理朦胧图像中的颜色转换。在我们的IPUDN中，使用相应的新型更新器网络迭代地更新了传输图和大气光估计值。利用迭代机制逐步将估计值修改为适当代表朦胧条件的估计值。这些更新与使用具有LSTM驱动的递归的卷积神经网络对脱灰图像的迭代估计一起发生，这引入了迭代间的依赖性。透射图t...
2022-04-13 21:43:52
3456
1
原创 AAAAA
DM2F sots 34.29/0.9844 ICCV 2019PMS-Net cvpr2019 测试集是reside和nyu-depth2混合Bidirectional cvpr2019 评价指标不同，ssim为真实世界去雾的数值RYT-Net IEEE-tip2020 测试集不同AECR SOTS 37.17/0.9901 cvpr 2021PSD 无监督 CVPR 2021Towards Domain SOTS 38.91/0.98(indoor) 30.40/0.94(...
2022-03-18 14:17:18
234
原创 【无标题】
AECRNET.pyimport torchimport torch.nn as nnimport torch.nn.functional as Ffrom torch.nn import initimport functoolsfrom deconv import FastDeconvfrom DCNv2.dcn_v2 import DCN# 默认卷积，不改变维度大小，仅仅是为了提取特征def default_conv(in_channels, out_channels, kern
2022-03-08 14:45:19
1719
原创 面向域不变的单幅图像去雾（Towards Domain Invariant Single Image Dehazing_AAAI_2021）
概述图像中存在的雾霾会掩盖底层信息，这在需要准确环境信息的应用中是不希望的。 为了恢复这样的图像，去雾算法应该定位和恢复受影响的区域，同时确保恢复的区域与其相邻区域之间的一致性。 然而，由于卷积核的固定感受野和不均匀的雾度分布，很难保证区域之间的一致性。在本文中利用基于编码器-解码器的网络架构来执行去雾任务并集成空间感知通道注意机制，以增强感兴趣的特征，使其超出传统内核的感受域。 为了确保在各种雾度密度范围内的性能一致性，我们利用了贪婪的本地化数据增强机制。 合成数据集通常用于确保大量成...
2022-03-02 19:48:12
2831
原创 PSD：由物理先验指导的有原则的合成到真实的去雾（Principled Synthetic-to-Real Dehazing Guided by Physical Priors_CVPR_2021）
概述因为过往基于深度学习去雾的算法当模型用于现实世界的模糊图像时会导致性能下降 ，为此本文提出了一个有原则的合成到真实的去雾（PSD）框架来提高去雾的泛化性能。 从在合成数据上预训练的去雾模型主干开始，PSD 利用真实的模糊图像以无监督的方式微调模型。 对于微调，我们利用了几个有充分根据的物理先验，并将它们组合成一个先验损失委员会。 PSD 允许大多数现有的去雾模型作为其主干，并且多个物理先验的组合显着促进了去雾。 通过广泛的实验，证明了 PSD 框架在通过无参考质量指标评估的视觉质量以...
2022-03-02 17:30:11
4409
3
原创 RESIDE数据集简单介绍
概述：该数据集使用由合成和真实世界模糊图像组成的新的大规模基准，称为真实单图像去雾 (RESIDE)，对现有的单图像去雾算法进行了全面的研究和评估。RESIDE 突出了不同的数据源和图像内容，分为五个子集，每个子集服务于不同的训练或评估目的。为进一步为去雾算法评估提供了丰富的标准，从全参考指标到无参考指标，再到主观评估和新的任务驱动评估。 RESIDE 上的实验揭示了最先进的去雾算法的比较和局限性，并提出了有希望的未来方向。主要贡献： 一、我们引入了一个新的单图像去...
2022-02-28 22:02:30
9863
7
原创 图像去雾_评价指标__PSNR（峰值信噪比）和SSIM（结构相似度）
标签：PSNR评价指标SSIM PSNR（Peak Signal to Noise Ratio）峰值信噪比： MSE表示当前图像X和参考图像Y的均方误差（Mean Square Error），H、W分别为图像的高度和宽度PSNR的单位是dB，数值越大表示失真越小。n为每像素的比特数，一般的灰度图像取8，即像素灰阶数为256.PSNR是最普遍和使用最为广泛的一种图像客观评价指标，然而它是基于对应像素点间的误差，即基于误差敏...
2022-02-25 17:11:46
3535
9
原创 PSNR/SSIM
Method 会议名称 数据集 PSNR/SSIM Domain Adaptation for Image Dehazing（图像去雾的域自适应算法） [CVPR2020] SOTS 27.76/0.93 Ultra-High-Definition ImageDehazing via Multi-Guided Bilateral...
2022-02-23 21:22:32
713
原创 （Multi-Scale Deep Residual Learning-Based SingleImage Haze Removal via Image Decomposition-2020）阅读报告
概述本文提出了一种基于深度学习的基于多尺度残差学习(MSRL)和图像分解的单幅图像去雾体系结构(简称MSRL- dehazenet)。我们将问题重新表述为图像基组件的恢复，而不是学习每对有雾图像与其对应的无雾图像之间的端到端映射，这是目前大多数基于学习的方法所采用的。在将雾霾图像分解为基础和细节分量的基础上，雾霾去除(或去雾)可以通过我们的多尺度深度残差学习和我们的简化U-Net学习来实现，这两种学习只针对雾霾和无雾基分量之间的映射，而细节部分则通过另一个学习过的卷积神经网络(CNN)进...
2022-02-20 12:20:28
1537
原创 RYF-Net: 深度融合网络用于单幅图像去雾（Deep Fusion Network for Single ImageHaze Removal-IEEE_TIP-2020）
概述因为单个图像中去除雾是一项具有挑战性的任务，且准确的场景传输图(TrMap)估计是重建无雾场景的关键。在本文中提出了一种基于卷积神经网络的体系结构来估计模糊场景的TrMap。本文提出的网络以雾图像为输入，利用本文提出的RNet和YNet分别通过RGB和YCbCr颜色空间提取雾霾相关特征，并生成两个trmap。此外提出了一种新的TrMap融合网络(FNet)，将两种TrMap融合在一起，并估计出对雾天场景的鲁棒TrMap。为了分析FNet的鲁棒性，然后对现有最先进的trmap方法的组合进行了测试。利用
2022-02-20 10:56:59
2072
1
原创 用于去雾的双向深度残差学习(Bidirectional Deep Residual learning for Haze Removal-CVPRW_2019)
概述本文提出了一种基于双向残差学习的去雾方法。本文的方法是由生成式对抗网络(GANs)实现的，它由雾霾消除和雾霾重建两个部分组成。该方法交替使用残差去除和重建模糊区域，以产生更精确的无雾图像。我们采用基于扩展树结构的特征融合策略来包含更多的空间信息，并将光谱归一化技术应用到GAN网络中。定量和定性实验证明了该方法的有效性，表明该方法优于目前最先进的去雾算法。主要贡献本文提出了一种双向残差学习去雾方法，其中去雾通道网络从雾状图像生成无雾图像，雾状构造通道网络从生成的无雾图像恢复雾状...
2022-02-13 11:45:26
1790
2
原创 基于单幅图像Patch Map的稳健除雾(PMS-Net: Robust Haze Removal Based on Patch Map for Single Images_CVPR_2019)
概述：本文提出了一种新的基于斑块图的雾霾去除算法。传统的基于补丁的雾霾去除算法（例如，暗通道优先）通常以固定的补丁大小执行去雾。然而，它可能会导致一些问题，如过饱和和颜色失真。因此，在本文中，设计了一个自适应的、自动的面片大小选择模型，称为面片地图选择网络（PMS-Net），用于选择每个像素对应的面片大小。该网络是基于卷积神经网络（CNN）设计的，它可以从输入图像生成面片图。在合成图像和真实图像上的实验结果表明，结合所提出的PMS网络，雾霾去除性能远远优于最先进的算法，并且可以解决固定斑...
2022-02-13 11:40:18
1484
原创 基于对比学习的压缩单图像去雾(Contrastive Learning for Compact Single Image Dehazing-cvpr2021)
概述在本文中，提出了一种新的基于对比学习的对比正则化(CR)方法，将模糊图像和清晰图像的信息分别作为负样本和正样本来利用。CR保证了恢复后的图像在表示空间中向清晰图像拉近，向远离模糊图像的方向推远。此外，考虑到性能和内存存储的权衡，本文开发了一个紧凑的基于类自动编码器(AE)框架的去雾网络。该算法采用自适应混合操作和动态特征增强模块，分别通过自适应保持信息流和扩展接收域来提高网络的转换能力。主要贡献1、提出了一种新的ACER-Net，通过对比正则化和高度紧凑的基于自编码器的去雾网...
2022-01-22 15:11:38
4285
3
原创 MSBDN（Multi-Scale Boosted Dehazing Network with Dense Feature Fusion）具有密集特征融合的多尺度增强去雾网络阅读分析
一、概要 在本文中，作者团队提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络。 该方法是基于boosting和误差反馈这两个原理设计的，表明它们适用于去雾问题。1、通过在所提出模型的解码器中加入“Strengthen-Operate-Subtract”增强策略，通过开发了一种简单而有效的增强解码器，以逐步恢复无雾图像。2、为了解决在U-Net架构中保留空间信息的问题，使用反投影反馈方案设计了一个密集特征融合模块。本文表明，密集特征融合模块可以同时纠正高分辨率特...
2021-12-15 22:43:04
3906
1
原创 GCANet（Gated Context Aggregation Network for Image Dehazing and Deraining）图像去雾去雨
GCANet.pyimport torchimport torch.nn as nnimport torch.nn.functional as Fclass ShareSepConv(nn.Module): def __init__(self, kernel_size): super(ShareSepConv, self).__init__() assert kernel_size % 2 == 1, 'kernel size should be o.
2021-12-03 09:34:53
8125
11
原创 生成对抗网络GAN简单理解
GAN分析问题： 1、目标函数如何设定？ 2、如何生成图片？ 3、G和D因该如何设置？ 4、如何进行训练？一、什么是生成对抗网络？ 生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。模型通过框架中（至少）两个模块：生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈学习产生相当好的输出。博弈双方的利益...
2021-11-26 13:50:57
2793
原创 图像去雾概述
概念： 随着图像处理技术和计算机视觉技术的蓬勃发展，对特殊天气下的场景检测和图像处理成为该领域的重要研究方向。其中在雾天拍摄的图像容易受雾或霾的影响，导致图片细节模糊、对比度低以至于丢失图像重要信息，为解决此类问题图像去雾算法应运而生。图像去雾算法是以满足特定场景需求、突出图片细节并增强图片质量为目的的一种图像分析与处理方法。在雾或霾等天气情况下，室外空气中存在大量的微小悬浮颗粒会对光产生折射和散射，经折射和散射后的光线与待观察目标反射后的光线混合，造成户外图像采集设备捕获的图像清晰度和对...
2021-11-26 13:49:32
16747
原创 图像超分辨率重建概述
1. 概念： 图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。但在实际上情况中，受采集设备与环境、网络传输介质与带宽、图像退化模型本身等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成块模糊的理想高分辨率图像。 图像的超分辨率重建技术指的是将给定的低分辨率图像通过特定的算法恢...
2021-11-23 13:22:42
20891
原创 图像分割、图像超分辨率简介
概念： 图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。根据分割目的，可划分为以下三种： 普通分割 将不同分属不同物体的像素区域分开。 如前景与后景分割开，狗的区域与猫的区域与背景分割开。 语义分割 在普通分割的基础上，分类出每一块区域的语义（即这块区域是什么物体）。 如把画面中的...
2021-11-14 15:12:27
5699
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人