![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图像去雾算法
文章平均质量分 90
追梦Hocking
这个作者很懒,什么都没留下…
展开
-
Rethinking Performance Gains in Image Dehazing Networks
论文源码:https://download.csdn.net/download/zhouaho2010/87393184 Abstract图像去雾是低层视觉中的一个活跃话题,随着深度学习的快速发展,许多图像去雾网络被提出。尽管这些网络的工作良好,但提高图像去雾性能的关键机制仍不清楚。出于这个原因,我们不打算提出一个具有奇特模块的去雾网络;相反,我们对流行的U-Net进行最小的修改以获得紧凑的去雾网络。具体来说,我们将U-Net中的卷积块交换为具有门控机制的残差块,融合主路径的特征映射,并使用选择核跳过连接原创 2023-01-20 17:26:42 · 2750 阅读 · 1 评论 -
2019 DENSE-HAZE: A BENCHMARK FOR IMAGE DEHAZING WITH DENSE-HAZE AND HAZE-FREE IMAGES
Dense—Haze数据集下载:Dense_Haze浓雾数据集-深度学习文档类资源-CSDN下载 ABSTRACT 单图像去模糊处理是一个最近引起重要关注的不适定问题。尽管在过去的几年中,人们对去雾方法的兴趣显著增加,但由于缺乏真正的模糊和相应的无雾参考图像对,去雾方法的验证仍然在很大程度上不令人满意。为了解决这一限制,我们引入了密集的雾霾Dense-Haze——一个新的去雾霾数据集。密雾以密集、均匀的朦胧场景为特征,包含33对真实的朦胧和相应的无雾霾图像。通过引入由专业的雾霾机产生的真实的雾霾,记录了朦胧原创 2022-09-24 21:34:02 · 1873 阅读 · 0 评论 -
CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 个人学习笔记
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,但它会在原创 2022-09-24 17:57:53 · 3727 阅读 · 1 评论 -
CVPR 2022 Self-augmented Unpaired Image Dehazing via Density and Depth Decomposition个人学习笔记
Abstract为了克服在合成的模糊-干净图像对上训练的去模糊模型的过拟合问题,最近的许多方法试图通过对未配对数据进行训练来提高模型的泛化能力generalization ability。其中大多数只是简单地制定了去雾化和再雾化循环,而忽略了现实世界中雾霾环境的物理性质,即雾霾随密度和深度而变化。.在本文中,我们提出了一种自增强的图像去雾框架,称为D4(通过将传输图分解为密度和深度来去雾),用于雾霾的产生和去除。所提出的框架不是仅仅估计传输图或干净内容,而是侧重于探索exploring模糊和干净图像中包含原创 2022-09-05 21:31:59 · 3001 阅读 · 1 评论 -
Single Image Dehazing via Multi-scale Convolutional Neural Networks with Holistic Edges 2020 个人学习笔记
摘要单图像去模糊一直是一个具有挑战性的问题,旨在恢复清晰的图像。现有的图像去模糊方法的性能受到手工设计的特征和先验的限制。在本文中,我们提出了一种多尺度深度神经网络,通过学习模糊图像与其传输映射之间的单图像去模糊。该算法由一个基于整个图像预测整体传输地图的粗尺度网和一个局部细化分离结果的精细尺度网组成。为了训练多尺度深度网络,我们基于纽约大学深度数据集,合成了一个由模糊图像和相应的传输地图组成的数据集。此外,我们提出了一个整体的边缘引导网络来细化估计的传输图的边缘。大量的实验表明,该算法在质量和速度..原创 2022-04-18 16:40:55 · 3044 阅读 · 0 评论 -
SwinIR: Image Restoration Using Swin Transformer 个人学习笔记
https://github.com/JingyunLiang/SwinIR 摘要图像恢复是一个长期存在的低水平视觉问题,目的是从低质量图像(例如缩小、噪声和压缩图像)中恢复高质量的图像。虽然最先进的图像恢复方法是基于卷积神经网络,但很少有人尝试用Transformers在高级视觉任务中表现出令人印象深刻的性能。本文提出了一种基于Swin Transformers的图像恢复强基线模型SwinIR。SwinIR由浅层特征提取、深度特征提取和高质量的图像重建三部分组成。特别地,深度特征提取模块由几个原创 2022-02-22 21:35:04 · 718 阅读 · 0 评论 -
Dense Scene Information Estimation Network for Dehazing(CVPR2019)个人学习笔记
http://signal.ee.psu.edu/research/ATJDH.html摘要图像脱模糊仍然是最具挑战性的反问题之一。深度学习方法的出现,以补充传统的基于模型的方法,并帮助定义了一种新的技术状态来实现可实现的去除图像质量。然而,实际的挑战仍然是在现实世界的图像中,场景被密集的雾霾严重覆盖,即使是没有视觉观察到的场景信息。许多最近的脱雾方法通过设计深度网络来估计雾霾模型中的物理参数来解决这一挑战,即环境光(A)和透射图(t)。然后,可以将雾霾模型的逆值用来估计去雾霾的图像。在这项工作..原创 2022-02-22 11:41:09 · 1955 阅读 · 0 评论 -
DehazeFlow: Multi-scale Conditional Flow Network for Single Image Dehazing (ACMMM 2021)个人学习笔记
摘要单图像去模糊是许多计算机视觉应用的一项关键的初步任务,在深度学习方面取得了进展。脱雾任务是一个不适定的问题,因为图像中的雾霾会导致信息的丢失。因此,对于雾图像的图像恢复有多种可行的解决方案。大多数现有的方法学习雾图像和GT之间确定性的一对一映射,忽略了去雾任务的病性which ignores the ill-posedness of the dehazing task。为了解决这一问题,我们提出了一种新的基于条件归一化流的单图像去雾处理框架。我们的方法学习模糊图像下无雾图像的条件分布,使模型能够..原创 2022-02-21 15:46:02 · 1220 阅读 · 0 评论 -
From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data (ACMMM 2021)个人学习笔记
摘要单图像去雾是一项具有挑战性的任务,在合成训练数据和真实测试图像之间的域转换通常会导致现有方法的退化。为了解决这个问题,我们提出了一种新的图像去雾框架,与未标记的真实数据协作。首先,我们开发了一个分解图像去雾网络(DID-Net),它根据雾霾形成过程的物理模型,将特征表示分解为潜在的无雾霾图像、传输图和全球大气光估计。我们的DID-Net通过跨尺度逐步整合特征来预测这三个组件地图,并通过一个独立的细化网络来细化每个地图。然后利用分解一致性平均教师网络(DMT-Net)对未标记的真实数据进行协作,以..原创 2022-02-21 12:15:53 · 968 阅读 · 0 评论 -
Unsupervised Single Image Dehazing Using Dark Channel Prior Loss个人学习笔记
摘要单图像去去雾处理是现代许多自动视觉应用中的一个关键阶段。早期的原始方法通常涉及到对手工制作的能量函数的耗时最小化。最近的基于学习的方法利用深度神经网络(DNNs)的表征能力来学习模糊和清晰图像之间的潜在转换。由于收集清晰和模糊图像的固有局限性,这些方法需要对合成数据进行训练;由室内图像和相应的深度信息构建。这可能会导致在处理户外场景时可能发生的领域转移。我们提出了一种完全无监督的训练方法,通过最小化著名的暗通道先验(DCP)能量函数。我们不再使用合成数据,而是只使用真实世界的户外图像,并通过直接..原创 2022-02-20 17:01:57 · 688 阅读 · 0 评论 -
Semi-Supervised Image Dehazing个人学习笔记
一、摘要提出了一种有效的单图像去雾的半监督学习算法。该算法采用一个包含有监督学习分支和一个无监督学习分支的深度卷积神经网络(CNN)。在有监督的分支中,深度神经网络受到有监督的损失函数的约束,即均方损失、感知损失和对抗性损失。在无监督分支中,我们利用暗通道的稀疏性和梯度先验来利用干净图像的性质来约束网络。我们以端到端的方式在合成数据和真实世界的图像上训练所提出的网络。分析表明,所提出的半监督学习算法并不局限于合成的训练数据集,可以很好地推广到真实图像。大量的实验结果表明,该算法在基准数据集和真实图像..原创 2022-02-19 20:51:45 · 575 阅读 · 0 评论 -
Weakly supervised single image dehazing 个人学习笔记
一、摘要单图像去雾处理是许多实际视觉系统的关键图像预处理步骤。大多数现有的去雾方法利用各种人工设计的先验或对合成的雾天图像信息(如无雾图像、传输图和大气光)进行监督训练来解决这一问题。然而,对人工设计的先验的假设很容易被违反,而且收集现实的透射图和大气光是不实际的。本文提出了一种新的基于多层次多尺度块的弱监督网络。该网络减少了对训练数据的约束,在不使用任何真实的透射图和大气光作为监督的情况下,自动估计透射图、大气光和中间无雾图像。此外,估计的中间无雾图像通过嵌入物理模型,有助于生成准确的传输图和大气光,.原创 2022-02-19 15:46:57 · 508 阅读 · 0 评论 -
RefineDNet个人学习笔记
一、摘要无雾图像是许多视觉系统和算法的先决条件,因此单幅图像去雾在计算机视觉中是至关重要的。在这一领域,基于先验的方法已经取得了初步的成功。然而,它们经常在输出中引入恼人的伪影,因为它们的先验很难适合所有情况。相比之下,基于学习的方法可以产生更自然的结果。然而,由于缺乏与训练样本相同场景的、成对的雾霾和清晰的户外图像,它们去除雾霾的能力有限。在这项工作中,我们试图将基于先验和基于学习的方法的优点合并,将去雾任务划分为两个子任务,即可见性恢复和提高真实性。具体地说,我们提出了一个两阶段弱监督去雾框架,Ref原创 2022-02-18 15:45:33 · 422 阅读 · 1 评论 -
DehazeNet个人学习笔记
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原创 2022-02-17 16:37:46 · 3612 阅读 · 0 评论 -
图像去雾算法学习笔记1——何凯明博士基于暗通道先验的单幅图像去雾算法公式推导
图像去雾算法学习笔记1本人现在是国内某211大学博士研究生,刚入学1个多月,把深度学习和图像处理做为自己的研究方向,从图像去雾算法开始看起。说到图像去雾算法,不得不提大牛何凯明博士,圈内都知道他的:何凯明博士,本科毕业于清华大学基础科学班。他是2006年微软小学者奖学金获得者之一,同时也是2003年广东省高考状元。2007年清华大学毕业之后开始在微软亚洲研究院(MSRA)实习,2011年香港...原创 2019-10-24 09:28:59 · 16407 阅读 · 3 评论