dehazing

Detection-friendly dehazing: object detection in real-world hazy scenes

Detection-friendlydehazing:objectdetectioninreal-worldhazyscenes摘要提出了一种联合架构BAD-Net，将去雾模块和检测模块连接成一个端到端的方法。另外，设计了了两个分支结构，用注意力融合模块来充分结合有雾和去雾特征，这减少了在检测模块不好的影响，当去雾模块表现不好时。此外，引入了一种自监督雾度鲁棒损失，使检测模块能够处理不同程度的雾度
暗魂b·2024-01-16 06:09

知识蒸馏去雾：Distilling image dehazing with heterogeneous task imitation

Distillingimagedehazingwithheterogeneoustaskimitation1、摘要最先进的深度除雾模型在训练中往往是困难的。知识蒸馏使得利用教师网络训练学生网络成为可能。然而，大多数的知识蒸馏方法都是应用于图像分类、语义分割或者目标检测的，很少有研究将知识蒸馏应用于不同图像恢复任务之间的知识转移。本文提出了一种利用异质任务模拟提取图像去雾知识的网络，在本文所提出的模
lishuoshi1996·2023-12-05 19:07

Rethinking Performance Gains in Image Dehazing Networks

论文源码：https://download.csdn.net/download/zhouaho2010/87393184Abstract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
追梦Hocking·2023-11-22 03:40

论文阅读 | Restormer: Efficient Transformer for High-Resolution Image Restoration

Restormer:EfficientTransformerforHigh-ResolutionImageRestoration引言low-leveltask如deblurring\denoising\dehazing
btee·2023-10-21 18:18

Unsupervised Single Image Dehazing via Disentangled Representation ICVIP(2019)

摘要：图像去雾的目的是从相应的退化模糊图像中恢复出潜在的清晰内容。本文提出了一种基于非纠缠表示的无监督单幅图像去雾方法。我们提出的方法不依赖于物理散射模型，也不需要成对的训练数据。我们提出了一种内容编码器和模糊编码器，分别从模糊图像中分离出内容和模糊信息。我们提出了一种潜在的回归损失，以鼓励生成的图像保留烟雾信息，并强制烟雾编码器从烟雾图像中提取烟雾信息。引入了循环一致性损失，保证了去模糊图像与原
西北有风·2023-10-01 12:42

A Comprehensive Survey and Taxonomy on Image Dehazing Based on Deep Learning（学习笔记，不喜勿喷）

基于深度学习的图像去雾综合调查与分类摘要随着卷积神经网络的发展，已经提出了数百种基于深度学习的去雾方法。在本文中，我们对有监督、半监督和无监督去雾进行了全面调查。我们首先讨论常用的物理模型、数据集、网络模块、损失函数和评估指标。然后，对各种去雾算法的主要贡献进行了分类和总结。此外，还进行了各种基线方法的定量和定性实验。最后，指出了可以启发未来研究的未解决问题和挑战。https://github.c
learning112358·2023-09-25 07:05

读FFA-net: Feature Fusion Attention Network for Single Image Dehazing

学习目标：FFA-Net:FeatureFusionAttentionNetworkforSingleImageDehazing（特征融合注意网络）代码部分本周还没有来得及,下周会争取复现出来个人体会：本文的特色就是使用了PA和CA,对不同通道和不同像素做不同处理,虽然本文的实现过程懂了,但是实现去雾的原理不懂,不明白为什么经过一些的卷积操作,残差链接就实现了图像去雾知识点：图片评价指标图像评价指
qq_38577700·2023-08-29 13:33

图像去雾：AOD-Net

论文地址：https://arxiv.org/pdf/1707.06543.pdf相关代码：GitHub-MayankSingal/PyTorch-Image-Dehazing:PyTorchimplementationofsomesingleimagedehazingnetworks
地球被支点撬走啦·2023-04-18 19:18

图像去雾（image dehazing）近期论文简述及模型测试

keyword：hazy，dehazing去雾方法主要可以分为两种：一种是基于大气退化模型，利用神经网络对模型中的参数进行估计，早期的方法大多数是基于这种思想的；另一种是利用输入的有雾图像，直接输出得到去雾后的图像
后悔大鲨鱼·2023-04-17 17:22

Densely Connected Pyramid Dehazing Network

Abstract提出了一种新的端到端的单幅图像去雾方法，称为稠密连接金字塔去雾网络（DCPDN），该方法可以联合学习透射图、大气光照和去雾。通过将大气散射模型直接嵌入到网络中，实现了端到端的学习，从而保证了所提方法严格遵循物理驱动的散射模型进行去雾。受密集网络能够最大化不同层次沿着信息流的启发，提出了一种新的边缘保持密集连接编解码器结构，并采用多级金字塔池模块来估计传输图。利用新引入的保边损失函数
Adagrad·2023-04-10 04:17

对比学习去雾：Contrastive Learning for Compact Single Image Dehazing

ContrastiveLearningforCompactSingleImageDehazing1.摘要1.1现有模型不足：1、现有模型主要利用正样本信息作为指导进行去雾，负样本的信息没有充分利用。2、大部分工作侧重于加强除雾网络的深度和宽度，导致对计算量和内存需求巨大。1.2本文工作：1、建立在对比学习的基础上，提出了一种新的对比正则化(CR)。利用模糊图像和清晰图像的信息分别作为负样本和正样本
lishuoshi1996·2023-04-04 01:07

Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing（用于单幅图像的去雾增强型CycleGAN）

简介：在本文中，我们提出了一种端到端的网络，称为CycleDehaze，用于解决单幅图像的去雾问题，该网络不需要对模糊图像和相应的地面真实图像进行训练。换言之，我们通过以不成对的方式提供干净和模糊的图像来训练网络。此外，该方法不依赖于大气散射模型参数的估计。我们的方法通过结合周期一致性和感知损失来增强CycleGAN公式，以提高纹理信息恢复的质量，并生成视觉上更好的无雾图像。通常情况下，用于去雾的
zhangmeili_9·2023-01-18 11:29

Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing

摘要在这篇文章中，我们提出了一个端到端的网络，称为Cycle-Dehaze，为单一图像去雾问题，它配对的有雾图像和其对应的图像进行训练。也就是说，我们通过以不成对的方式加入干净和模糊的图像来训练网络。此外，所提出的方法不依赖于大气散射模型参数的估计。我们的方法通过结合循环一致性和感知损失来增强CycleGAN方法，以提高纹理信息恢复的质量，并生成视觉上更好的无雾霾图像。典型地，用于去雾的深度学习模
Wanderer001·2023-01-18 10:54

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。
啦啦啦啦啦啦.·2023-01-16 11:36

论文阅读：Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing

代码：https://github.com/engindeniz/Cycle-Dehaze目录1.摘要2.Cycle\mathrm{Cycle}Cycle-Dehaze\mathrm{Dehaze}Dehaze2.1FullobjectiveofCycleGAN1)AdversarialLoss2)CycleConsistencyLoss3)FullobjectiveofCycleGAN2.2Cy
Space_walk·2023-01-16 11:05

论文阅读：Dehaze-GLCGAN: Unpaired Single Image Dehazing Via Adversarial Training

目录1.摘要2.网络结构2.1整体结构2.1网络详情1)生成器2)判别器3.损失函数3.1对抗损失3.2循环一致性损失3.3颜色损失3.4循环感知损失3.5总损失4.读后感1.摘要    本文提出了一个名为Global-LocalCycle-consistentGenerativeAdversarialNetwork（Dehaze-GLCGAN）的去雾网络。该网络包含两个生成器和四个判别器。两个生
Space_walk·2023-01-16 11:05

5.RefineDNet论文阅读

具体来说，我们提出了一个两阶段的弱监督dehazing框架RefineDNet：在第
ChenTsingZheng·2023-01-16 11:31

3.Single Image Dehazing via MSCNN-HE 论文阅读

SingleImageDehazingviaMulti-scaleConvolutionalNeuralNetworkswithHolisticEdges译为：基于整体边缘多尺度卷积神经网络的单幅图像去噪作者：XiaochunCao、WenqiRen、JinshanPan、HuaZhang和Ming-HsuanYangAbstract本文的算法：是由一个粗比例尺网络和细比例尺网络组成，粗比例尺基于
ChenTsingZheng·2023-01-16 11:31

2.Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing论文阅读

Cycle-Dehaze:EnhancedCycleGANforSingleImageDehazing作者：DenizEngin，AnılGenc，HazımKemalEkenel土耳其伊斯坦布尔技术大学SiMiTLabAbstract该文章提出了端到端的网络称为CycleDehaze，用于解决单幅图像去雾问题。 优点：1.不需要对模糊图像和相应的真实自然图像来训练网络。2.同时不依赖大气散射模型
ChenTsingZheng·2023-01-16 11:59

Densely Connected Pyramid Dehazing Network（DCPDN）

简介：本文提出了一种新的端到端单幅图像去雾方法——密连金字塔去雾网络(dcpdn)，它可以将透射图、大气光和去雾三者结合起来共同学习。通过将大气散射模型直接嵌入到网络中，实现端到端的学习，从而确保该方法严格遵循物理驱动的散射模型。基于密集网络能够最大化不同层次特征的信息流的思想，提出了一种新的基于多级金字塔池模块的保边密连编译码器结构，用于估计传输映射。该网络利用新引入的边缘保持损失函数进行优化。
zhangmeili_9·2023-01-06 18:03

【论文解读】DCPDN-Densely Connected Pyramid Dehazing Network-CVPR2018

论文地址：https://arxiv.org/abs/1803.08396代码地址：https://github.com/hezhangsprinter/DCPDN代码跑通参考：https://blog.csdn.net/qq_32734095/article/details/89059949https://blog.csdn.net/qq_41202069/article/details/106
Hz_xi·2023-01-06 18:33

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
啦啦啦啦啦啦.·2023-01-06 18:00

GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing(ICCV2019)

1摘要我们提出了一个端到端可训练的卷积神经网络(CNN)，命名为GridDehazeNet，用于单幅图像去雾。GridDehazeNet由三个模块组成:预处理、主干和后处理。与由手动预处理方法产生的那些导出输入相比，可训练预处理模块可以产生具有更好多样性和更相关特征的学习输入。主干模块在网格网络上实现了一种新颖的基于注意力的多尺度估计，可以有效缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助
change_lkl·2023-01-06 18:27

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
追梦Hocking·2022-12-30 01:13

【图像去雾】Contrastive Learning for Compact Single Image Dehazing阅读

论文：https://arxiv.org/pdf/2104.09367.pdfhttps://arxiv.org/pdf/2104.09367.pdf代码：https://github.com/GlassyWu/AECR-Nethttps://github.com/GlassyWu/AECR-Net提出对比正则化；利用有雾图像和清晰图像的信息作为正负样本。确保恢复的图像远离模糊图像，而更接近清晰图
乐亦亦乐·2022-12-29 00:10

去雨去雾资料整理

图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总https://www.cnblogs.com/Kobaayyy/p/13163056.html#domain-adaptation-for-image-dehazing
Hz_xi·2022-12-27 21:29

ECCV 2020 论文汇总（注意力模型、事件相机、知识蒸馏、图像去雾去雨去噪、图像超分辨率、语义分割，等方向）

ECCV2020论文汇总（注意力模型、事件相机、知识蒸馏、图像去雾去雨去噪、图像超分辨率、语义分割，等方向）[oral,spotlight][Post][Dehazing][Enhancement][Dinoising
Phoenixtree_DongZhao·2022-12-27 21:56

Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)

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）
西北有风·2022-12-22 19:18

双边网格学习一：2021cvpr《Ultra-High-Definition Image Dehazing via Multi-Guided Bilateral Learning》

目录背景方法总结背景众所周知，目前深度学习去雾方法速度方面一直是个痛点，难以达到效果和速度兼容。基于此，本论文设计了快速的去雾网络，网络基于双边网格，能够通过提取一种双边网格的数据结构对原始输入图像进行变换和增强，不仅能够恢复出不错的效果，而且在速度上具有一定的优势。上面是该去雾网络的主要架构图，核心采用双边网格，双边网格能够关注色彩突变的物体边界，并能够很好的关注于高频信息。可以看到非常地简洁，
Alocus_·2022-12-08 20:24

用于图像去雾的无监督条件解开网络【UNSUPERVISED CONDITIONAL DISENTANGLE NETWORK FOR IMAGE DEHAZING】

摘要提出了一个使用非成对数据集的无监督条件解缠网络(UCDN)。我们的方法通过引入基于物理的解缠结来加强约束。与其他无监督去雾模型不同，我们的方法适应了雾的多浓度，并在不同浓度的数据集上表现出色。贡献：1、添加条件解开网络改进了CycleGAN的单图像去雾，该网络在合成数据集上优于现有的基于CycleGAN的去雾模型。2、收集了一个具有挑战性的大规模自然图像去雾数据集，其中包含超过3500张有雾的
迁 凉·2022-12-08 07:33

From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data从合成到真实：图像去杂化使用未标记的真实数

问题：合成训练数据和真实世界测试图像之间的域转移通常会导致现有方法的退化方法：我们提出了一种与未标记的真实数据协作的新型图像去雾框架贡献：•我们提出了一个图像去雾框架，以利用解开的特征表示和未标记的真实世界模糊图像来增强单图像去雾。•我们设计了一个解纠缠图像去雾网络（DID-Net），通过从粗到细的策略来预测传输图、潜在无雾图像和大气光照图。•使用解纠缠一致性均值教师网络(DMTNet)来协作标记
迁 凉·2022-12-08 07:32

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generalizationability。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
追梦Hocking·2022-12-02 16:06

CVPR 2022 Image Dehazing Transformer with Transmission-Aware 3D Position Embedding 个人学习笔记

源码下载：CVPR2022ImageDehazingTransformerwithTransmission-Aware3D代码-深度学习文档类资源-CSDN下载Abstract尽管卷积神经网络（CNNs）的单图像去模糊已经取得了良好的进展，但卷积固有的等方差和局部性仍然是去雾性能的瓶颈。虽然Transformer占据了各种计算机视觉任务，但直接利用Transformer进行图像去雾具有挑战性：1)
追梦Hocking·2022-12-02 16:06

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
追梦Hocking·2022-12-02 16:06

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
啦啦啦啦啦啦.·2022-12-01 00:14

Self-augmented Unpaired Image Dehazing via Density and Depth Decomposition程序运行记录

论文题目：《Self-augmentedUnpairedImageDehazingviaDensityandDepthDecomposition》作者列表：杨洋(天津大学)，王超岳（悉尼大学），刘日升（大连理工大学），张林（同济大学），郭晓杰（天津大学），陶大程（悉尼大学，京东探索研究院）论文摘要：为了克服在合成数据集上训练的去雾模型的过拟合问题，许多最近的方法试图使用非成对数据进行训练来提高模型
enen狂·2022-11-23 07:07

Semi-Supervised Image Dehazing（半监督图像去雾）2020

概要：本文提出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)。在监督分支中，深度神经网络受到监督损失函数的约束，这些损失函数是均方损失、感知损失和对抗损失。在无监督分支中，本文通过暗通道的稀疏性和梯度先验利用干净图像的特性来约束网络。我们以端到端的方式在合成数据和真实世界图像上训练提议的网络。我们的分析表明，所提出的
啦啦啦啦啦啦.·2022-06-11 07:33

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
啦啦啦啦啦啦.·2022-06-11 07:33

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
啦啦啦啦啦啦.·2022-06-11 07:32

GCANet（Gated Context Aggregation Network for Image Dehazing and Deraining）图像去雾去雨

雾化处理可以由以下模型表示(corruptionmodel)：I(x)：有雾的图片J(x)：去雾的图片A：全球大气光t(x)：中间的转换映射，取决于未知的深度信息，介质透射图以往的去雾方法是用回归方法加上人为设计的先验条件来估计A或t(x)，但问题是现实中这两项很难得到。该论文中使用的方式是直接学习原图和雾图之间的残差。由于空洞卷积被广泛用于聚集上下文信息以提高其有效性而又不牺牲空间分辨率，因此我
啦啦啦啦啦啦.·2022-06-11 07:02

论文阅读：Domain Adaptation for Image Dehazing

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3.2图像去雾模块1)真实域2)合成域3)一致性损失3.3总损失函数4.实验结果4.1合成数据集1)主观效果2)客观指标4.2真实数据集5.消融实验6.总结7.读后感1.摘要    近年来，使用基于学习的方法进行图像去雾已
Space_walk·2020-09-15 17:30

论文笔记：Domain Adaptation for Image Dehazing

目录摘要1.Introduction2.Relatedwork2.1.SingleImageDehazing2.2.DomainAdaptation3.ProposedMethod3.2.ImageTranslationModule3.4.TrainingLosses论文信息：DomainAdaptationforImageDehazingarXiv:2005.04668v1摘要目前大多数lear
雪清Fand·2020-09-15 16:22

[去雾论文]--AAAI2020-FFA-Net：Feature Fusion Attention Network for Single Image Dehazing

摘要：在本文中，我们提出了一种端到端的特征融合注意力网络(FFA-Net)来直接恢复无雾图像。FFA-Net架构由以下三个主要部分组成:1)提出了一种新的特征注意(FA)模块，该模块将通道注意与像素注意机制相结合，考虑到不同的信道特征所包含的加权信息完全不同，且不同图像像素上的雾霾分布不均匀。FA对不同的特征和像素的处理是不平等的，这为处理不同类型的信息提供了额外的灵活性，提高了CNNs的表达能力
chenzy_hust·2020-09-10 20:11

论文笔记（七）：DFS--Learning of Image Dehazing Models for Segmentation Tasks

Abstract为了评估它们的性能，现有的除雾方法通常依赖于所产生的距离测量形象及其相应的基本事实。尽管能够产生视觉上良好的图像，但是使用基于像素或甚至感知的度量通常不能保证所产生的图像适合用作诸如分割的低级计算机视觉任务的输入。为了克服这个弱点，我们提出了一种新颖的端到端图像去雾方法，适合用作图像分割程序的输入，同时保持生成图像的视觉质量。受GenerativeAdversarialNetwor
今天敲代码了么·2020-09-10 16:30

论文阅读：Learning to Dehaze From Realistic Scene with A Fast Physics Based Dehazing Network

代码：https://github.com/liruoteng/3DRealisticSceneDehaze（未公布）1.摘要基于学习的方法需要有雾图和ground-truth作为学习的数据集，但是通常不太可能捕捉到真实的这类数据。现在许多研究通过使用大气散射模型在普通RGBD数据集上合成雾图和ground-truth对的数据集。然而，由于高质量深度的大型数据集大多是室内的，室外的深度图不精确，合
Space_walk·2020-08-22 03:52

论文阅读：GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing

论文及代码详见：https://proteus1991.github.io/GridDehazeNet/（该论文的代码写的非常漂亮，读者绝不应该错过）目录1.摘要2.GridDehazeNet2.1网络结构2.2.通道注意力的特征融合2.3损失函数2.3.1SmoothL1L_1L1Loss2.3.2PerceptualLoss2.3.3TotalLoss3.实验结果4.总结1.摘要文章提出了一种
Space_walk·2020-08-22 03:52

论文阅读：Semi-Supervised Image Dehazing

论文及代码：https://sites.google.com/view/lerenhanli/homepage/semi_su_dehazing目前，该代码还未公布。
Space_walk·2020-08-22 03:52

《ZHU, MAI, SHAO: SINGLE IMAGE DEHAZING USING COLOR ATTENUATION PRIOR》关于此文的理解与实现

首先，非常感谢作者。此文仅限于学习交流。翻译不太准确，略显生硬。如有问题，欢迎交流沟通。SingleImageDehazingUsingColorAttenuationPrior1.综述：这篇文章中，作者提出了一个简单，但是很有效的先验：颜色衰减先验，用来通过仅仅输入一张有雾的图像来去除雾的影响。作者创建了一个线性回归模型，利用颜色衰减先验这个新奇的先验，通过对有雾图像场景深度的建模，利用有监督学
夏春伟·2020-08-16 04:04

FFA-Net: Feature Fusion Attention Network for Single Image Dehazing (AAAI 2020)用于单图像去叠的特征融合注意力网络

用于单图像去叠的特征融合注意力网络https://arxiv.org/pdf/1911.07559.pdfXuQin1*ZhilinWang2∗YuanchaoBai1XiaodongXie1†HuizhuJia11SchoolofElectronicsEngineeringandComputerScience,PekingUniversity2SchoolofComputerScienceand
TJMtaotao·2020-08-15 22:00

Investigating Haze-Relevant Features in a Learning Framework for Image Dehazing

摘要存在的问题：Hazeisoneofthemajorfactorsthatdegradeoutdoorimages.Removinghazefromasingleimageisknowntobeseverelyill-posed,andassumptionsmadeinpreviousmethodsdonotholdinmanysituations.提出的方法：Inthispaper,wesys
女王の专属领地·2020-08-15 21:09
上一页 1 2 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他