프롬프트 기반 테스트 시간 실제 이미지 디헤이징: 새로운 파이프라인
합성 데이터로 학습된 기존 디헤이징 모델을 실제 이미지에 효과적으로 적용하기 위해 테스트 시간에 시각적 프롬프트를 사용하여 인코딩된 특징의 평균 및 표준 편차를 미세 조정하는 새로운 파이프라인인 PTTD(Prompt-based Test-Time Dehazing)를 제안합니다.
세부 복구 및 새로운 대조 학습 패러다임을 결합한 효율적인 이미지 디헤이징 네트워크, DRACO-DehazeNet
DRACO-DehazeNet은 제한된 학습 데이터와 컴퓨팅 성능 제약을 고려하여 개발된 효율적이고 효과적인 이미지 디헤이징 네트워크로, 밀집 팽창 역 ResNet 블록, 어텐션 기반 디테일 복구 네트워크, 그리고 4중 손실 기반 대조 학습 패러다임을 결합하여 다양한 헤이즈 환경에서 우수한 성능을 달성했습니다.
상호 작용 기반의 두 가지 브랜치 이미지 디헤이징 네트워크
CNN과 Transformer의 장점을 결합한 새로운 듀얼 브랜치 이미지 디헤이징 프레임워크를 통해, Transformer의 글로벌 특징 추출 능력을 활용하여 CNN을 효과적인 로컬 디테일 정보에 집중하도록 유도하여 고품질 디헤이징 결과를 얻을 수 있습니다.
웨이블릿 변환 및 대조 학습을 통한 실제 이미지 디헤이징 재고: WTCL-Dehaze
본 논문에서는 레이블링된 데이터와 레이블링되지 않은 데이터를 모두 활용하는 준지도 학습 방식과 대조 학습 및 이산 웨이블릿 변환을 결합하여 실제 환경에서 촬영된 이미지의 헤이즈를 효과적으로 제거하는 새로운 네트워크인 WTCL-Dehaze를 제안합니다.
동적 필터를 이용한 이미지 디헤이징 기술 CasDyF-Net
CasDyF-Net은 동적 필터를 활용하여 다양한 주파수 특성을 효과적으로 추출하고 통합함으로써 복잡한 안개 환경에서도 우수한 디헤이징 성능을 달성한다.
실제 환경에서 효과적인 이미지 디헤이징을 위한 물리 기반 매개변수 증강 네트워크
PANet은 실제 환경에서 효과적인 이미지 디헤이징을 위해 물리 기반 매개변수를 활용하여 다양한 안개 조건의 사실적인 안개 이미지를 생성한다.
© 2024 by Linnk AI