dehazing

ECCV 2018 Proximal Dehaze-Net: A Prior Learning-Based Deep Network for Single Image Dehazing

Abstract在朦胧的天气拍摄的照片通常覆盖着白色面具，并且经常丢失重要的细节。在本文中，我们提出了一种新的深度学习方法，通过学习暗通道和传输图先验来实现单图像去雾。首先，我们使用暗通道和传输图先验建立了一个用于除雾的能量模型，并使用邻近算子设计了这两个先验的迭代优化算法。其次，我们通过使用卷积神经网络学习邻近算子，将迭代算法展开为深度网络，称为邻近去雾网络。我们的网络结合了传统的基于先前的去雾
风之羁绊·2020-08-01 08:55

Semantic Single-Image Dehazing

abstract由于单个图像中包含有限的信息，单图像雾度去除具有挑战性。以前的解决方案主要依靠手工制作的先验来弥补这种不足。最近的卷积神经网络（CNN）模型已被用于学习与雾霾相关的先验，但它们最终用作高级图像滤波器。在本文中，我们提出了一种新的单一图像雾霾去除语义方法。与现有方法不同，我们基于提取的语义特征推断颜色先验。我们认为可以利用语义上下文来为（a）在清洁图像之前学习颜色和（b）估计环境照明
风之羁绊·2020-08-01 00:40

论文阅读：Single Image Dehazing via Conditional Generative Adversarial Network

ZechaoLiJinhuiTang†SchoolofComputerScienceandEngineering,NanjingUniversityofScienceandTechnology研究方向：Dehazing
weixin_30249203·2020-07-29 11:26

RESIDE：Benchmarking Single Image Dehazing and Beyond

论文地址：https://arxiv.org/abs/1712.04143网站：https://sites.google.com/view/reside-dehaze-datasets摘要我们对现有的单图像去雾算法进行了全面的研究和评估，使用了一个新的大尺度基准，包括合成和真实世界的模糊图像，称为REalisticSingleImageDehazing（RESIDE）。RESIDE突出显示了各种数
女王の专属领地·2020-07-06 22:16

【论文阅读】Gated Context Aggregation Network for Image Dehazing and Deraining

论文链接论文发表于WACV2019雾化处理可以由以下模型表示(corruptionmodel)：I(x)I(x)I(x)：有雾的图片J(x)J(x)J(x)：去雾的图片AAA：环境光强t(x)t(x)t(x)：中间的转换映射，取决于未知的深度信息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模型论文
GillianZhu·2020-07-06 01:03

DR-Net: Transmission Steered Single Image Dehazing Network with Weakly Supervised Refinement

Abstract尽管最近在图像去雾方面取得了进展，但是仍然存在很多问题，例如对于变化的场景的鲁棒性，重建图像的视觉质量以及应用的有效性和灵活性。为了解决这些问题，我们提出了一种新的深度网络架构，用于单图像去雾，称为DR-Net。我们的模型包括三个主要子网：预测输入图像的传输图的传输预测网络，重建由传输图控制的潜在图像的雾霾去除网络，以及增强去雾结果的细节和颜色属性的细化网络通过弱监督学习。与以前的
风之羁绊·2020-07-04 13:02

[NTIRE18]Multi-scale Single Image Dehazing using Perceptual Pyramid Deep Network

1.概述作者采用Encoder-Decoder结构进行去雾。与以往将大气散射模型嵌入网络中不同，作者让模型直接学习从雾图到GT的非线性映射。此外，由于L2L_2L2损失函数对去雾效果的副作用，作者采用了MSE和感知损失函数（VGG16）作为新的损失函数。2.网络结构网络结构如下图所示，作者采用稠密块（DenseBlock）残差块（ResBlock）的结合作为编/解码器，解码器部分采用了反卷积。金字
larkii·2020-06-29 14:03

cvprw2018 Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing

Abstract在本文中，我们提出了一个名为Cycle-Dehaze的端到端网络，用于单个图像去雾问题，它不需要成对的模糊和相应的地面真实图像进行训练。也就是说，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，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制剂，以便改善纹理信息恢复的质量并产生视觉上更好的无雾图像。通常，用于去雾
风之羁绊·2020-06-29 08:32

MyDLNote-Enhancement:[2020 CVPR] Domain Adaptation for Image Dehazing

2020CVPR:DomainAdaptationforImageDehazing[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
Phoenixtree_Zhao·2020-06-27 09:30

Awesome Dehazing 去雾算法合集

AwesomeDehazingThisrepositoryisthecollectionofdehazingmethods.Amongvariousdehazingalgorithms,we'veselectedthedatasetsprovideposeandmapinformation.Thisrepositoryincludesthelistofdehazing(includesenhanc
Phoenixtree_Zhao·2020-06-27 09:59

去雾算法学习——Single Image Dehazing（Fattal）笔记（未完继续）

本文是作者Fattal余2008年发表的文章，是对2007年的文章的改进1.ImageDegradationModel光线沿着直线传播，但是大气中存在的灰尘、溶胶等导致大气散射的存在，这里建模思想是：沿短距离方向光线透射率有线性关系存在。沿最短距离dr光线吸收βdr。其中，β被称为媒介消光系数（光线散射导致）。由于这一过程，光线集成一条新型光线，在不同的空间，β志不同。给出透射率t（transmi
翼柯·2020-06-27 05:59

Dense Scene Information Estimation Network for Dehazing？

一.论文信息简介(1)题目的含义：个人理解，这里的dense包含两层含义：a.论文针对真实场景中浓雾(densehazecovered)进行去除，这是dense的第一层含义;b.论文的featurenetwork基于densenet，这是dense的第二层含义；(2)作者信息：本文是NTIRE（NewTrendsinImageRestorationandEnhancement）2019dehaze
seasermy·2020-06-26 08:50

AOD-NET：An All-in-One Network for Dehazing and Beyond

摘要:本文提出了一种用卷积神经网络（CNN）构建的图像去雾模型，称为一体化除雾网络（AOD-Net）。它是基于重新配制的大气散射模型设计的。AOD-Net不是像大多数先前模型那样分别估算传输矩阵和大气光，而是通过轻量级CNN直接生成清晰图像。这种新颖的端到端设计使得将AOD-Net嵌入到其他深度模型（例如，fasterR-CNN）中变得容易，以改善对模糊图像的高级任务性能。在合成和自然模糊图像数据
女王の专属领地·2020-06-21 23:50

Gated Fusion Network for Single Image Dehazing

动机  在dehaze的问题里，其需要解决两个问题，一个是由于大气光造成的颜色投射出现差异，一个是其传输过程中所造成的可视效果衰减。因此论文通过对原始图像进行处理，尽可能的分别恢复出其颜色投射、可视效果，同时由于可视效果太暗，再增加伽马矫正，将这三个图像和原始的image输入，这就是这篇论文的动机。方法  网络的核心思想就是学习confidence特征图去处理从原始图像获得的三张预处理后的图像，从
女王の专属领地·2020-06-21 23:50

（端到端多尺度去雾算法）FAMED-Net: A Fast and Accurate Multi-scale End-to-end Dehazing Network

项目地址：https://github.com/chaimi2013/FAMED-Net论文地址：https://arxiv.org/pdf/1906.04334.pdf摘要单张图去雾是一个至关重要的步骤对于随后的高水平计算视觉任务。然而，它存在挑战由于它的不适应姿态性质。存在的去雾模型趋向困难由于模型复杂以及计算效率低，或者存在限制展示容量。为了克服这些挑战，在这里我们提出了一个快递和精确的多尺
独孤九剑-风清扬·2020-06-21 18:26

图像超分辨率重建

主要有图像超分辨率（super-resolution）、图像去雾（dehazing）、光谱重建（spectra
SongpingWang·2020-06-21 14:27

Multi-Scale Boosted Dehazing Network with Dense Feature Fusion（CVPR2020） 阅读理解

Multi-ScaleBoostedDehazingNetworkwithDenseFeatureFusion（CVPR2020）1简要1作：西安交通大学在本文中，作者团队提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络。该方法是基于boosting和误差反馈这两个原理设计的，表明它们适用于去雾问题。1通过在所提出模型的解码器中加入“Strengthen-Operate-Subt
为什么先生2012·2020-06-20 23:32

（端到端多尺度去雾算法）FAMED-Net: A Fast and Accurate Multi-scale End-to-end Dehazing Network

项目地址：https://github.com/chaimi2013/FAMED-Net论文地址：https://arxiv.org/pdf/1906.04334.pdf摘要单张图去雾是一个至关重要的步骤对于随后的高水平计算视觉任务。然而，它存在挑战由于它的不适应姿态性质。存在的去雾模型趋向困难由于模型复杂以及计算效率低，或者存在限制展示容量。为了克服这些挑战，在这里我们提出了一个快递和精确的多尺
独孤九剑-风清扬·2019-07-23 09:40

Single Image Dehazing via Multi-Scale Convolutional Neural Networks

项目主页：https://sites.google.com/site/renwenqi888/research/dehazing/mscnndehazing论文下载：https://drive.google.com
女王の专属领地·2019-04-22 21:33

Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing

摘要在本文中，我们提出了一个名为Cycle-Dehaze的端到端网络，用于单个图像去雾问题，它不需要成对的模糊和相应的地面真实图像进行训练。也就是说，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，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制剂，以便改善纹理信息恢复的质量并产生视觉上更好的无雾图像。通常，用于去雾的深度学习模
女王の专属领地·2019-04-18 11:24

论文翻译：Single Image Dehazing via Conditional Generative Adversarial Network

摘要本文提出了一种从模糊图像中直接恢复清晰图像的算法。这个问题是高度不适定的，大多数现有的算法往往使用手工制作的特征，如暗通道，颜色差异，最大对比度。与此相反，我们基于条件生成反求网络(cGAN)来解决这一问题，其中清晰图像由端到端的可训练神经网络来估计。与基本cGAN中的生成网络不同，我们提出了一种编码器和解码器结构，使其能产生更好的结果。为了生成逼真清晰的图像，我们进一步修改了基本的cGAN格
计算机小白学习中·2019-04-13 19:42

AOD-NET：An All-in-One Network for Dehazing and Beyond

原文pdf代码pytorch代码tensorflow摘要本文提出了一种基于卷积神经网络（CNN）的图像去雾模型，称为AOD-Net。它是基于重新变形的大气散射模型设计的。AOD-Net不是像大多数先前模型那样分别估算传输图和大气光值，而是通过轻量级CNN直接生成去雾后的图像。这种新颖的端到端设计使得将AOD-Net更容易嵌入其他深度模型（例如，fasterR-CNN）中，改善对有雾图像的高级任务性
cherry1307·2019-03-11 15:35

Stacked-GAN去雾（Deep Learning based Single Image Dehazing）

原文链接：DeepLearningbasedSingleImageDehazing（可以自己注册账号下载）本文贡献：1、提出了一种利用叠加条件生成对抗网络(GAN)去除RGB图像中雾霾的新方法。它使用一个GAN三元组独立地去除每个颜色通道上的雾霾。2、提出了一种基于条件概率模型的多损失函数方案。3、提出的GAN架构学会了去除雾霾，以雾霾图像作为条件入口，从中获得清晰的图像。该公式保证了快速的模型训
天宇skyblue·2019-01-04 11:21

深度学习方法的超分辨率(Super-resolution)方向论文【不定期更新】

偶尔会加Inpainting，Denoising，Deblur，Artifactsremoval，Dehazing，Demosaicing等方面内容。
Hawk Yang·2018-12-29 17:49

Gated Context Aggregation Network for Image Dehazing and Deraining

abstract图像去雾旨在从模糊图像中恢复未损坏的内容。我们提出了一种端到端的门控上下文聚合网络，以直接恢复最终的无雾图像，而不是利用传统的低级或手工图像先验作为恢复约束，例如暗通道和增强的对比度。在这个网络中，我们采用最新的平滑扩张技术来帮助消除由广泛使用的扩张卷积引起的网格伪影，其中可忽略的额外参数，并利用门控子网络融合不同级别的特征。大量实验表明，我们的方法可以在数量和质量上大大超越以前最
风之羁绊·2018-11-26 10:32

去雾 - Non-Local Image Dehazing

CVPR2016Non-LocalImageDehazingcode:http://www.eng.tau.ac.il/~berman/NonLocalDehazing/简单明了的图像去雾算法。首先一幅彩色图像的RGB颜色值可以通过几百个RGB值来表示，类似图像压缩中的调色板。一幅没有雾的彩色图像近似RGB值在RGB空间分布为一个cluster，但是在有雾的彩色图像这些RGB值在RGB空间的对应分
cv_family_z·2016-10-18 15:52

OpenCV 多文件编译的Makefile编写

demomakefile:SOURCE_FILE:=get_semi_win.csemi_inverse_dehazing.c OBJECT_F
u011368821·2014-09-23 21:00

2013_ICCV_Efficient Image Dehazing with Boundary Constraint and Contextual Regularization

算法步骤：step1:估计大气光A本算法是通过对有雾图像的每个颜色通道进行局部最小值滤波，得到三个暗通道图像，然后把每个暗通道图像中的最大值作为大气光值A的相应通道的灰度值。step2:边界约束step3:邻域约束step4:根据分离变量的方法来解目标函数并得到透射率tstep5:去雾正则化大概有两个功能：1，从模型修正上看，起了一个trade-off作用，用于平衡学习过程中两个基本量，名字诸如b
wanglongfei_hust·2014-02-19 19:00
上一页 1 2 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他