![b31531c11f3dc1911511c24b252ea143.png](https://i-blog.csdnimg.cn/blog_migrate/df1e51d4dd573bad2d205cd53e036c52.png)
本文盘点CVPR 2020 所有图像去雨、去雾、去模糊的论文。
去雨示意图:
![8e156d009dfbb3692cff0becb561de14.png](https://i-blog.csdnimg.cn/blog_migrate/b9298aa3cae9db2a43d4ec59f0a9c6bb.jpeg)
去雾示意图:
![a45be11d3170ff12169818c56a63f852.png](https://i-blog.csdnimg.cn/blog_migrate/58a35c1ba8e9c208cab657d3b5e41a4a.png)
去模糊示意图:
![fcdf737a3d052873299b2bfe6639189e.png](https://i-blog.csdnimg.cn/blog_migrate/469a8c15789d628e72e13e9ca560f9c1.png)
作为底层图像处理任务,这三个方向有共同特点:现有技术无法真实模拟下雨、起雾、模糊,导致算法训练中使用的合成数据集和真实图像降质有差异,所以这个领域经常出现实验效果很豪横,实际使用却被抱怨的情况。
CVPR 2020中去雨方向 4 篇文章,去雾 3 篇,还有1篇去各种恶劣天气,去模糊 8 篇,大部分论文其实都是在解决上述实际应用中算法效果歇菜的问题。
大家可以在:
http://openaccess.thecvf.com/CVPR2020.py
按照题目下载这些论文。
如果想要下载所有CVPR 2020论文,请点击这里:
CVPR 2020 论文全面开放下载,含主会和workshop
图像去雨(Image Deraining)
提出一种基于高斯过程的半监督学习框架,使得网络在学习中使用合成数据集进行去雨训练时,同时使用未标注的真实世界图像,以使网络能更好地泛化。
[1].Syn2Real Transfer Learning for Image Deraining Using Gaussian Processes
作者 | Rajeev Yasarla, Vishwanath A. Sindagi, Vishal M. Patel
单位 | 约翰斯霍普金斯
代码 | https://github.com/rajeevyasarla/Syn2Real
![cac2e68c0ba302706bdeca5009ac3f71.png](https://i-blog.csdnimg.cn/blog_migrate/2a0364aa7dc18b1d10abeb7dcea9a159.png)