Fast Deep Multi-patch Hierarchical Network for Nonhomogeneous ImageDehazing(图像去雾cvpr2020)

最新推荐文章于 2025-08-10 16:26:14 发布
原创 最新推荐文章于 2025-08-10 16:26:14 发布 · 1.2k 阅读 · 5 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能 #计算机视觉 #图像处理

介绍一种快速深度多片分层网络方法，适用于非均匀图像去雾。该方法能有效处理不同密度的雾，并且轻量高效。通过多尺度和多补片架构，实现了较好的去雾效果。

摘要
最近，基于CNN的端到端深度学习方法在图像去雾方面取得了优势，但它们在非均匀去雾方面往往会彻底失败。除此之外，现有的流行的多尺度方法是运行时密集型和内存低效的。在这种情况下，本文提出了一种快速深度多片分层网络，通过用较少数量的网络参数聚集来自模糊图像的不同空间部分的多个图像片的特征来恢复非同质模糊图像。我们提出的方法对于场景中具有不同密度的薄雾或雾的不同环境是相当鲁棒的，并且非常轻量级，本文展示了该网络在去除浓密烟雾方面相对于其他先进模型的优越性。

1 提议的方法

我们使用多补片和多尺度网络进行非均匀图像去雾

1.1多块架构

 

本文使用深度多块层次网络(DMPHN)。DMPHN最初用于单幅图像去模糊。在本文中使用DMPHN的变体。

DMPHN是一个多级架构。每一层都有一个编码器-解码器对。每个级别处理不同数量的块。在DMPHN(1-2-4)中，从上到下使用的块数分别为1、2和4。最高级别(级别1)只考虑每个图像的一个块。

让我们考虑一个输入模糊的图像I^{H}，我们把第i级别的第j块表示为I_{i,j}^{H}，在第一级别中I^{H}

并没有被划分成任何块。在级别2当中

最低0.47元/天 解锁文章
change_lkl
关注
论文阅读：Deep Stacked Hierarchical Multi-patch Network for Image Deblurring
wang_chaochen的博客
07-08 1984
这是一篇去模糊的文章，后来发现直接套用不合适，无法获取到相应的特征，遂作罢，简单记录一下。 2019 CVPR：DMPHN 这篇文章是2019CVPR的一篇去模糊方向的文章，师兄分享的时候看了一下，后来也发现这个网络结构在很多workshop以及文章中都见过。 文章：ArXiv 代码：Github 在去模糊领域，目前的多尺度和尺度循环模型存在一些问题： 1)由粗到细方案中的去卷积/上采样操作导致运行时间昂贵; 2)单纯的用更精细的层次来增加模型的深度并不能提高去模糊的质量。 就此，本文主要提出了一种基于空
CVPR | 基于密度与深度分解的自增强非成对图像去雾
gzq0723的博客
07-12 802
关注并星标从此不迷路计算机视觉研究院公众号ID｜ComputerVisionGzq学习群｜扫码在主页获取加入方式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的泛化能力。然而其中大多数方法仅仅简单地遵循 CycleGAN 的思路构建去雾循环和上雾循环，却忽略了现实世界中雾霾环境的物理特性，即雾霾对物体可见度的影响随深度...
Non-Local Image Dehazing非局部图像去雾（CVPR2016）
qq_44185614的博客
09-21 1518
雾度限制可见度并降低室外图像中的图像对比度。退化对于每个像素是不同的，并且取决于场景点与相机的距离。这种依赖性在透射系数中表达，透射系数控制场景衰减和每个像素中的雾度量。先前的方法使用各种基于块的先验来解决单个图像去雾问题。另一方面，我们提出了一种新的，非本地的先验的基础上的算法。该算法依赖于这样的假设，即无雾图像的颜色由几百种不同的颜色很好地近似，这些颜色在RGB空间中形成紧密的簇。我们的关键观察是，在一个给定的集群中的像素往往是非本地的，即，它们分布在整个图像平面，并位于不同的距离从相机。
基于对比学习的压缩单图像去雾(Contrastive Learning for Compact Single Image Dehazing-cvpr2021)
w18226357716的博客
01-22 5011
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。 主要贡献 1、提出了一种新的ACER-Net，通过对比正则化和高度紧凑的基于自编码器的去雾网...
图像去雾 2020CVPR Bid-Net【无显式视差估计的双目图像去雾】
半途而废的普通人
12-08 264
（2）受non-local网络的启发，提出了一种简单而有效的机制并将其嵌入BidNet中，通过该机制将右图像特征图中的有用信息引入左图像特征图中。类似地，可以将左图像的特征图的有用信息嵌入到右图像的有用信息中。（3）在输入左图像和右图像的情况下，只能使用上述除雾框架对左图像或右图像进行除雾。（1）提出了一种新颖的双目图像去雾框架，称为BidNet，该框架能够利用左右图像之间的相关性对双目图像对进行除雾，而无需估计视差，它可以避免由不精确的视差估计引起的大误差。左下：输入右雾图像。去雾的双目图像的误差、
Deep Stacked Hierarchical Multi-Patch Network for Image Deblurring论文阅读
yangqoor的博客
06-07 957
底层特征提取：公式(1)特征拼接与解码：公式(2)-(5)层级间残差修正：公式(3)、(6)顶层输出：公式(9)堆叠模型损失函数：公式(11)
【Deep Stacked Hierarchical Multi-patch Network for Image Deblurring】阅读笔记
既脱春火的博客
09-08 515
本篇论文在归纳时，仍将当前基于CNN的去模糊方法归纳为两种形式，多尺度和尺度递归。认为这两种方案是将”从粗到精”方案扩展到深度CNN场景。
Deep Stacked Hierarchical Multi-patch Network for Image Deblurring代码解读
weixin_42784951的博客
05-18 744
论文代码：https://github.com/HongguangZhang/DMPHN-cvpr19-master 论文地址：https://arxiv.org/pdf/1904.03468.pdf 论文解读：https://blog.youkuaiyun.com/weixin_42784951/article/details/106108196 文章使用 1-2-4-8 的结构模式。其中1-2-4-8 代表由粗到细网络所使用的图像块。 网络的每个层都由一对编码器/解码器组成。 通过将模糊图像输入B1分成多个不重叠的
DMPHN-cvpr19-master:CVPR19“用于图像去模糊的深层堆叠多面体分层网络”的Pytorch实现
05-01
用于图像去模糊的深度堆叠多修补程序分层网络 CVPR19“”的Pytorch实现 请将GoPro数据集下载到“ ./datas”中。 GoPro预先训练的模型存储在“ ./checkpoints”中。 需要。 pytorch-0.4.1 numpy scipy scikit-image 对于模型训练，请运行以下命令。 python xxx.py -b 6 对于模型测试，将测试样本复制到“ ./test_samples”，然后运行以下命令。 python xxx_test.py 引文 如果您认为这项工作对您的研究有用，请引用以下论文。 @InProceedings{Zhang_2019_CVPR, author = {Zhang, Hongguang and Dai, Yuchao and Li, Hongdong and Koniusz, Piotr}, title = {
非均匀光照图像去雾方法
qq_39544260的博客
04-22 1658
《A Point Light Source Interference Removal Method for Image Dehazing》 论文作者：Yanyang Yan, Shengdong Zhang, Mingye Ju, Wenqi Ren1, Rui Wang1, Yuanfang Guo 发表会议：CVPR 发表时间：2020 论文目录《A Point Light Source Interference Removal Method for Image Dehazing》一、摘要二、背景2.1
最新图像去雾代码以及对应CVPR文章
12-04
基于边界约束的图像去雾代码和论文，CVPR最新去雾文章，内含matlab源代码和论文
Trident-Dehazing-Network:NTIRE 2020 NonHomogeneous Dehazing Challenge (CVPR Workshop 2020) 第一个解决方案
05-30
三叉戟除雾网 NTIRE 2020 NonHomogeneous Dehazing Challenge (CVPR Workshop 2020)第一个解决方案。 环境： Ubuntu16.04 Python3.6 英伟达 GPU+CUDA8 依存关系： 预训练模型==0.7.4 火炬视觉==0.2.1 火炬==0.4.1 tqdm 测试 编译DCN模块fisrt。 如果你的环境和我们的一样，编译就完成了。 如果您的pytorch版本是1.0.0，请使用DCNv2_pytorch1。 检查模糊图像路径（test.py 第 14 行）、模型路径（test.py 第 13 行）和输出路径（test.py 第 15 行） python test.py 预训练模型 密码：22so 我们团队的另一个解决方案（第二个解决方案，知识转移去雾网络）：
CVPR 2022 无监督去雾：Self-augmented Unpaired Image Dehazing via Density and Depth Decomposition
u014546828的博客
07-05 6705
本文提出了一种自增强的图像去雾框架，称为 D4 (Dehazing via Decomposition, transmission map into Density and Depth)，用于生成和去除雾霾。该框架不只是估计传输图或干净的内容，而是专注于探索模糊和干净图像中包含的散射系数和深度信息。......
【2025CVPR-图象去雾方向】BEVDiffuser：基于地面实况引导的BEV去噪的即插即用扩散模型
最新发布
hasakie的博客
08-10 411
摘要：论文提出BEVDiffuser，一种基于真实物体布局条件的扩散模型，用于提升自动驾驶鸟瞰图(BEV)感知的鲁棒性。该方法通过布局融合机制（全局场景信息+物体感知注意力）在训练阶段增强BEV特征质量，推理时保持零计算开销。在nuScenes数据集上验证表明：1)去噪后BEVFormer-tiny的mAP提升12.3%；2)生成特征检测NDS达41.1%；3)显著改善长尾类别检测（最高提升88.2%）和恶劣场景鲁棒性。创新性体现在即插即用设计，可无缝兼容现有BEV模型而不增加推理延迟。
图像去雾技术大揭秘：2024-2025年CVPR、ICCV、ECCV顶会论文分类解析
m0_68604571的博客
03-19 5617
在图像去雾领域，每年都有大量的研究论文发表，这些论文针对去雾过程中的各种问题提出了众多创新性的解决方案。
【综述】图像去雾的前世今生
I good vegetable a!
03-14 3371
1. 前言 其实对图像去雾也没有什么深入的了解，只是了解过一些传统的图像去雾方法而已。说实话，在CNN模型大流行的今天，已经有很多人忽略了传统算法的发展，以至于你今天去搜索10年前的去雾算法或许根本找不到相关资料了，或许这就是现实中的围城吧。。今天有空来整理一下我所了解到的图像去雾技术的发展，尝试做一个详细点的综述。 2. 概述 图像去雾在计算机视觉中虽然不像目标检测，语义分割这种任务整天会放在台...
对比学习与图像去雾在24TIP和CVPR经典图像去雾论文中的良好结合，展示出模型良好的泛化能力(本期内容较详细 多)
qq_66536007的博客
09-26 2902
关于对比学习的概念我们先介绍到这，最近看了几篇与对比学习相关的顶刊和顶会图像去雾论文，都比较精彩，并且也都有一定的关联，今天总结一些亮点，一起学习一下。
论文阅读笔记之——《Deep Stacked Hierarchical Multi-patch Network for Image Deblurring》
gwpscut的博客
06-20 3126
论文：https://arxiv.org/pdf/1904.03468v1.pdf 本文是做非均匀deblur的。The goal of non-uniform blind image deblurring is to remove the undesired blur caused by the camera motion and the scene dynamics 开篇作者抛出来两个问题...
去雨去雾资料整理
yhz_xi的博客
08-07 492
https://www.cnblogs.com/Kobaayyy/p/13163056.html#domain-adaptation-for-image-dehazing
Multi-Level Attention Network for Retinal Vessel Segmentation
07-11
### Multi-Level Attention Network for Retinal Vessel Segmentation Retinal vessel segmentation plays a crucial role in diagnosing various eye-related diseases, such as diabetic retinopathy and ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值