阅读笔记----DehazeNet:An End-to-End System for Single Image Haze Removal

最新推荐文章于 2024-02-28 20:21:37 发布
最新推荐文章于 2024-02-28 20:21:37 发布
阅读量7.3k 收藏 30
点赞数
分类专栏： 图像处理
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/yinhou1771/article/details/82682311
版权
DehazeNet是一个端到端的系统，专注于单图像去雾，它直接学习透射率与有雾图像的映射。通过引入BReLU激活函数和多尺度平行卷积，该算法结合了暗通道、对比度最大值、颜色衰减和色度不一致的先验知识。尽管在人工加雾数据集上表现良好，但在自然场景中可能效果有限，因为真实世界去雾的基准数据集难以获取。
摘要由CSDN通过智能技术生成

除了估计大气光值的大小，估计透射率也是很关键的因素。

该算法的贡献：

  1. end2end系统，直接学习并估计透射率与有雾图像的关系。由特殊的网络结构决定。
  2. 提出新颖的nonlinear激活函数，称为BReLU（双边ReLU）
  3. 与现有的先验知识和假设建立联系，并可以通过网络可以自己学会

 

有雾图像特征：

  1. 暗通道

文献：He等人的暗通道先验

     2.对比度最大值

文献：Tan等人的Visibility in bad weather from a single image

    3.颜色衰减先验

文献：Zhu等人的A fast single image haze removal algorithm usi

最低0.47元/天 解锁文章
十三hhhhh
关注
专栏目录
Single Image Haze Removal Using Dark Channel Prior:论文的实现-matlab开发
06-01
课程项目： 在一个团队中，使用暗通道先验论文实现了单图像雾度去除。 在论文中，He、Sun 和 Tang 描述了使用暗通道先验从单个输入图像中去除雾霾的过程。 描述雾霾图像形成的最广泛使用的模型是： I(x) = J(x)t(x) ...
论文阅读：DehazeNet: An End-to-End System for Single Image Haze Removal
space_walk的博客
09-03 4785
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 Disparity 1. 摘要     本文提出了一种称为DehazeNet\mathrm{DehazeNet}DehazeNet的可.
DehazeNet 详细翻译加注解
01-13
对蔡博士的DehazeNet的文献翻译，不是机械地简单地用翻译器直出，而是逐句修改，重点圈画明显，并且有相应的个人注解。并且与其程序相呼应。
DehazeNet: An End-to-End System for Single Image Haze Removal（端到端的去雾模型）
AI小花猫的博客
11-09 993
端到端的去雾模型DehazeNet的阅读笔记和简要介绍
复现论文Dehamer（CVPR2022）
最新发布
weixin_52381574的博客
02-28 508
（0，1表示使用GPU0和GPU1，--dataset-name指定数据集名称， --train-dir和--valid-dir指定数据集训练文件路径和测试文件路径，--ckpt指定训练模型存放位置）2、配置虚拟环境（GTX1050内存不足无法训练，RTX4070可以训练但要CUDA版本cuda11+）5、测试经典图片和自定义图片（0代表使用GPU0，mypicture表示你自己的图片路径）4、测试数据集（0代表使用GPU0，NH表示指定数据集NH）3、下载作者训练好的模型（提取码：1tap）
文献阅读（二十三）
qq_45800507的博客
01-29 984
浓雾场景中，图像去雾非常具有挑战性，雾霾图像中保留的原始信息相当少。尽管以前的方法取得了巨大的进步，但它们在浓雾场景中仍然存在内容和颜色信息丢失的问题。最近出现的去噪扩散概率模型（DDPM）表现出强大的生成能力，显示出解决该问题的潜力。然而DDPM没有考虑去雾任务的物理特性，限制了其信息补全能力。在这项工作中，我们提出了 DehazeDDPM：一种基于 DDPM 和物理感知的图像去雾框架，适用于复杂的雾霾场景。具体来说，DehazeDDPM 分两个阶段工作。
【图像去雾】颜色衰减先验图像去雾【含Matlab源码 2036期】
Matlab武动乾坤的博客
01-22 467
颜色衰减先验图像去雾 完整的代码，方可运行；可提供运行操作视频！适合小白！
AODNet-Based-Image-Haze-Removal:在Pytorch中使用AODNet去除单图像雾霾
03-06
基于AODNet的图像雾度去除 在Pytorch中使用AODNet去除单图像雾霾 在ICCV 2017上实施Boyi Li的论文 。 内容 相依性 Python 3.6或更高版本 火炬== 1.7.1 枕头== 5.1.0 numpy的= = 1.14.3 matplotlib == 2.2.2 ...
Single-Image-Haze-Removal-.zip_去雾_图像去雾算法_暗通道_暗通道优先_暗通道去雾
09-23
"Single-Image-Haze-Removal-.zip" 是一个包含多种图像去雾算法的资源包，适用于研究、学习和测试。下面将详细介绍其中涉及的主要知识点。 首先，我们要理解什么是“雾”对图像的影响。在实际环境中，当光线穿过...
DHSGAN：“ DHSGAN：烟雾的端到端除雾网络”的正式张量流实施
02-06
DHSGAN 介绍 这是在澳大利亚华盛顿州珀斯举行的第14届亚洲计算机视觉会议（ACCV）2018上发布的“ DHSGAN：端到端雾和烟除雾网络”的正式实施。 依存关系 Python 2.7（还兼容python 3.5、3.8 {已通过pycharm代码检查进行检查}） Tensorflow == 1.4.0（应该在其他版本上进行细微改动） Opencv-python（主要在CAP中使用） 烧瓶（适用于webapp） 该代码在以下环境中进行了测试：-具有CPU架构x86_64 + Nvidia Titan X 1070 + cuda9.0的Ubuntu 14.04 LTS。 入门 训
Single Image Haze Removal Using Dark Channel Prior 图像去雾 原文及翻译 何凯明
10-01
Single Image Haze Removal Using Dark Channel Prior 图像去雾 原文及翻译 何凯明
matlab图像融合源码-Haze-Removal:图像去雾论文和实验总结
05-19
Haze-Removal-Project 主要参考文献 Visibility in bad weather from a single image Guided image filtering Fast Haze Removal Algorithm for Surveillance Video 这是一篇讲如何对视频进行快速去雾的文章，没涉及...
图像去雾（image dehazing）近期论文简述及模型测试
热门推荐
agonysome的博客
08-17 2万+
keyword：hazy ，dehazing 1. 主要是CVPR最近两年的论文 [1] Multi-Scale Boosted Dehazing Network With Dense Feature Fusion, CVPR2020【code】 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 [2] Domain Adaptation for Image Dehazing, CVPR2020【code】 域适应 +图像去雾，解决了大部分去雾方法在合成数据集上优秀而真实数据集上..
DehazeNet个人学习笔记
zhouaho2010的博客
02-17 3642
一、摘要与引言 1、.现有的方法使用各种约束/先验来获得合理的去雾解决方案。 2、.实现去雾的关键是估计一个输入的模糊图像的介质传输图。 3、在本文中，我们提出了一种可训练的端到端系统，称为DehazeNet，用于估计透射率。 4、.DehazeNet以一个模糊图像作为输入，输出其介质传输图，然后通过大气散射模型恢复无雾图像。 5、DehazeNet采用基于卷积神经网络的深度体系结构，其层的设计旨在体现图像去模糊处理中已建立的假设/先验。具体来说，Maxout单元的层用于特征提取，它可以生成几乎所有与雾相关
嫌随机森林去雾效果不好，你行你上啊——DehazeNet端到端的去雾
自由男神的博客
07-08 4453
嫌随机森林去雾效果不好，你行你上啊——DehazeNet端到端的去雾 虽然tang-2014提出了去雾的机器学习方法，但它是基于随机森林的，必须首先抽取图像特征，然后将特征向量输入随机森林。这不是一种端到端的学习方法。很自然人们会尝试采用CNN模型去进行端到端的训练，那么是否采用深度学习呢？直观地看上去，去雾任务没有目标识别那么复杂，那么采用浅层网络够不够呢？ Bolun Cai在2016-M...
CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 个人学习笔记
zhouaho2010的博客
09-24 3772
在下面的内容中，我们将详细介绍这些模块。更详细的网络结构和参数可以在补充材料中找到。 3.2. Network StructureTransformer模块。为了实现全局环境来处理空间变化的雾霾，我们采用了一种具有很强的建模远程依赖能力的变压器。具体来说，我们采用Swin Transformer[21]作为骨干backbone，基于其有效性和效率之间的良好权衡，提取分层变压器特征。其他的变压器骨干也可以在我们的框架中使用。虽然更大的图像补丁可以提高Swin Transformer[21]的计算效率，但它会在
DehazeNet
qq_35608277的博客
01-14 3411
DehazeNet： https://github.com/caibolun/DehazeNet 解读 https://blog.csdn.net/yinhou1771/article/details/82682311 https://blog.csdn.net/Julialove102123/article/details/80199276
DehazeNet单图像去雾的端到端系统（学习笔记）
PuLaNa_的博客
11-29 3795
DehazeNet
hdp-net: haze density prediction network for nighttime dehazing
06-06
HDP-Net是一种适用于夜间去雾的网络模型。在天气恶劣的情况下，人们可以很难看到周围的环境，并且这也给汽车驾驶者带来了很大的安全隐患。因此，研究者提出了HDP-Net这一算法，以提高夜间行驶的安全性。 HDP-Net算法使用深度学习技术，通过预测大气中的雾浓度，使得图像变得更加清晰。该算法需要大量的夜间去雾图像进行训练，并且需要在实时性和准确性之间进行权衡。研究者通过改进网络结构和损失函数，提高了模型的预测精度，并且取得了较好的实验结果。 HDP-Net不仅可以应用于汽车驾驶，也可以应用于监控系统等任何需要在夜间清晰观察到场景的领域。总之，HDP-Net算法为我们提供了一种全新的解决方案，以解决夜间去雾问题，并且极大地提供了夜间行驶的安全性。
评论 2
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