深度学习——Domain Adaptation for Image Dehazing

最新推荐文章于 2024-05-25 11:16:24 发布
最新推荐文章于 2024-05-25 11:16:24 发布
阅读量1k 收藏 6
点赞数 1
分类专栏： 深度学习--降噪 文章标签： python 计算机视觉 神经网络 机器学习 人工智能
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/weixin_51352656/article/details/114485345
版权

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化能力）

2.问题描述
真实图像数据（Real）集较难获取（即模糊图像的ground truth难获取），故而一般的网络方案都采用人工合成数据集(Synthetic)进行训练，但是训练好的模型对真实图像域的图像没有泛化能力。

针对这个问题，文章提出了图像变换网络，也就是将人工合成图像S经过网络输出变换为真实图像R，同时将真实图像R经过网络输出变换为合成图像S,即：
在这里插入图片描述
图像变换网络得到（S，R）图像对，将两幅图像分别输入对应的去雾网络完成去雾。

3.主体网络结构：

最低0.47元/天 解锁文章
浮生若梦，为欢几何耶
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文阅读】Domain Adaptation for Image Dehazing
闻韶
05-12 4203
来自华中科大和中科院的 CVPR 2020 图像去雾领域新作，从合成图像到真实图像又迈进一步了吗？ 论文链接：https://arxiv.org/pdf/2005.04668.pdf 摘要 近年来，使用基于学习的图像去雾方法已取得了 STOA 的性能。然而，现有的大部分方法都是在合成雾图上训练去雾模型，由于域偏移 (domain shift) (或者说是域间差异)，它们对真实雾图的泛化能力较差。为解决该问题，我们提出了一种域适应范式 (domain adaptation paradigm)，它...
Optimal Transport for Domain Adaptation
12-20
Domain adaptation is one of the most challenging tasks of modern data analytics. If the adaptation is done correctly, models built on a specific data representation become more robust when confronted ...
[2022]李宏毅深度学习与机器学习第十一讲（必修）-Domain Adaptation
weixin_45920982的博客
12-01 391
找出Feature Extractor，source data 和target data 的分布差不多，要训练一个Domain分类器，想办法骗过Domain分类器，这个非常像是GAN。可以进行fine-tune，但是要防止Overfitting，所以不要跑太多的次数，可以设置小一点的学习率。1、监督自己把50多个小时的视频看下去，所以每看一部分内容做一下笔记，我认为这是比较有意义的一件事情。3、因为刚刚入门深度学习，听课的过程中，理解难免有偏差，也希望各位大佬指正。所以有论文进行了改进，让结果更加集中。
论文笔记：Domain Adaptation for Image Dehazing
起风了丿的博客
11-30 1363
摘要
Domain Adaptation(领域自适应)
最新发布
weixin_63778889的博客
05-25 691
我们可以训练一个在source domain 上难免表现很出色的模型，但是当target domian和source domain的数据分布不一样时候，我们之前在source domian上面训练的模型，在target domain上面表现可能不是很好。其中绿色长方形的代表我们从source domain和target domain提取的特征图（特征向量），我们要求来自两张图片（source domain 和target domain）出现的数据点（红色点和蓝色点）分布应该看起来一样，分不出差异。
Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)
yanglong6666的博客
01-16 2929
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
Domain Adaptation for Image Dehazing(cvpr2020)
change_lkl的博客
04-18 3382
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
MyDLNote-Enhancement:[2020 CVPR] Domain Adaptation for Image Dehazing
u014546828的博客
06-08 2168
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..
论文阅读：Domain Adaptation for Image Dehazing
space_walk的博客
08-31 2306
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 Medical Image Analysis A Survey.pdf
09-25
为了解决这一挑战，领域适应（domain adaptation）方法在近年来受到了广泛的关注。 本文旨在综述医学图像分析中领域适应方法的最新进展。首先，我们阐述了引入领域适应技术来应对医学图像分析中领域异质性问题的...
Domain Adaptation for Medical Image Analysis A Survey.zip
09-23
"Domain Adaptation for Medical Image Analysis A Survey"这篇论文深入探讨了如何通过领域适应技术来解决这一挑战。 领域适应（Domain Adaptation）是一种机器学习策略，旨在利用源领域的有标签数据和目标领域的无...
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.
Image reconstruction by domain-transform manifold learning
06-05
Image reconstruction by domain-transform manifold learning
Python-AdversarialDiscriminativeDomainAdaptation的PyTorch实现
08-11
Adversarial Discriminative Domain Adaptation的PyTorch实现
2021-域自适应-医学图像分析-Domain Adaptation for Medical Image Analysis
09-21
"Domain Adaptation for Medical Image Analysis: A Survey" Domain Adaptation（领域适应）是机器学习领域中的一种技术，旨在解决源域和目标域之间的分布差异问题。近年来，领域适应在医学图像分析领域引起了广泛...
Sequence-to-sequence Domain Adaptation Network for Robust Text Image Recognition
01-06
  Domain adaptation 可以解决不同域之间的偏移的问题。之前大多数的工作都没有考虑连续序列的问题，都是对于单一内容的。这篇文章中，作者提出了一个SSDAN的网络来做文本识别。其中的gateed attention similarity...
2020CVPR去雾-Domain Adaptation for Image Dehazing Yuanjie
一往而深深深深
07-04 1119
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。 损失函数 1、转换部分 1）对抗损失，二
深度学习中的data domain问题
年轻即出发，
03-07 2208
论文：Reveal of Domain Effect: How Visual Restoration Contributes to Object Detection in Aquatic Scenes data domain问题也类似数据的分布问题。包括，低对比度（low contrast），颜色（color distortion），混浊（haziness），光照（illumination...
domain adaptation for image dehazing
03-16
领域自适应用于图像去雾是一种将模型从一个域（源域）迁移到另一个域（目标域）的技术。在这种情况下，源域是清晰的图像，而目标域是有雾的图像。领域自适应旨在提高模型在目标域中的性能，使其能够更好地处理有雾...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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