圖像去霧

登入

洞見 - 圖像去霧

本文提出了一種名為 CORUN 的新型圖像去霧方法，該方法通過協作展開網絡和一致性標籤生成器，有效地解決了真實世界圖像去霧中的挑戰，並在去霧效果和圖像品質方面達到了最先進的水平。

本文提出了一種稱為基於提示的測試時去霧（PTTD）的新方法，能夠在不需訓練的情況下，將預先在合成數據集上訓練的去霧模型適配到真實世界的圖像。

本文提出了一個大規模真實世界霧霾圖像數據集 LMHaze，並提出了一種基於此數據集的強度感知圖像去霧方法 MoE-Mamba，該方法利用大型多模態模型評估霧霾強度，並根據霧霾強度動態調整模型參數，實現了優於現有方法的去霧效果。

DRACO-DehazeNet 透過結合密集擴張反向殘差塊、基於注意力機制的細節恢復網路和新型四元組損失對比學習範式，實現了在有限數據和計算資源條件下，對不同霧霾環境的有效圖像去霧。

本文提出了一種互動引導的雙分支圖像去霧網路，結合了卷積神經網路 (CNN) 和 Transformer 的優勢，利用 Transformer 提取全局特徵來引導 CNN 進行局部細節提取，並通過下採樣操作和通道與像素注意力機制來減少特徵冗餘和提高模型性能，最終實現高效的圖像去霧。

WTCL-Dehaze 是一種基於深度學習的半監督圖像去霧方法，它結合了對比學習和離散小波變換 (DWT) 來增強特徵表示並有效地提取多尺度特徵，從而提高去霧性能。

本文提出了一種基於級聯動態濾波器的新型去霧網絡架構CasDyF-Net,能夠有效地捕捉不同頻率特徵,並通過動態融合實現高性能去霧。

關於我們

產品

資源