用网络求t图的几篇论文框架图

最新推荐文章于 2024-07-19 11:55:11 发布
原创 最新推荐文章于 2024-07-19 11:55:11 发布 · 1k 阅读 · 10 ·
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：

#去雾 #网络

本文汇总了近年来在单幅图像去雾领域的研究进展，包括多种去雾网络及其对应的论文链接。这些方法覆盖了从2016年至2020年间的代表性工作，并附带部分开源代码资源。

最近在找用网络求t图的论文及代码，写这篇博客的目的是为了作个记录，只放了流程图，具体方法及实现有时间了再慢慢补充

这里写目录标题

1.《Densely Connected Pyramid Dehazing Network》(DCPDN)（有代码）

2018,CVPR,He Zhang
论文链接：https://arxiv.org/pdf/1803.08396.pdf
在这里插入图片描述

2.《Dense Scene Information Estimation Network for Dehazing》( At AtJ)（有代码）

2019,CVPR,Tiantong Guo
在这里插入图片描述
在这里插入图片描述

3.《PMS-Net: Robust Haze Removal Based on Patch Map for Single Images》（有代码）

在这里插入图片描述

4.《BidNet: Binocular Image Dehazing without Explicit Disparity Estimation》

2020,CVPR,Yanwei Pang
在这里插入图片描述

5.《Domain Adaptation for Image Dehazing》

2020，CVPR，Yuanjie Shao
在这里插入图片描述

6.《RI-GAN: An End-to-End Network for Single Image Haze Removal》

2019,CVPR,Akshay Dudhane

在这里插入图片描述

7.《“Double-DIP” :Unsupervised Image Decomposition via Coupled Deep-Image-Priors》（有代码）

2020,CVPR,Yossi Gandelsman

在这里插入图片描述
在这里插入图片描述

8.《Distilling Image Dehazing with Heterogeneous Task Imitation》

2020，CVPR,Ming Hong
在这里插入图片描述
在这里插入图片描述

9.《Depth-attentional Features for Single-image Rain Removal》

2019,CVPR,Xiaowei Hu
详细参考：https://blog.youkuaiyun.com/demo_jie/article/details/108808085
在这里插入图片描述
在这里插入图片描述

10.《Bidirectional Deep Residual learning for Haze Removal》

2016,CVPR,Guisik Kim
在这里插入图片描述

11.《Multi-Scale Progressive Fusion Network for Single Image Deraining》

2020，CVPR，Kui Jiang
在这里插入图片描述

12.《Contrast in Haze Removal: Configurable Contrast Enhancement Model Based on Dark Channel Prior》

2019，IEEE TRANSACTIONS ON IMAGE PROCESSING，Ping-Juei Liu
在这里插入图片描述

13.《Learning Aggregated Transmission Propagation Networks for Haze Removal and Beyond》

2019，IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS，Risheng Liu
在这里插入图片描述

14.《Multi-Scale Deep Residual Learning-Based Single Image Haze Removal via Image Decomposition》

2020，IEEE TRANSACTIONS ON IMAGE PROCESSING，Chia-Hung Yeh,
在这里插入图片描述

15.《PMHLD: Patch Map-Based Hybrid Learning DehazeNet for Single Image Haze Removal》（有代码）

2020，IEEE TRANSACTIONS ON IMAGE PROCESSING，Wei-Ting Chen
在这里插入图片描述

16.《Visual Haze Removal by a Unified Generative Adversarial Network》

2019，IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY，Yanwei Pang
在这里插入图片描述
在这里插入图片描述

图神经网络实战（19）——异构图神经网络
盼小辉丶的博客
08-26 7698
异构图由不同类型的节点和边组成，可以表示实体之间的各种关系，这比单一类型的连接具有更高的表达能力。在本节中，我们将回顾关于同构图神经网络 (Graph Neural Networks, GNN) 与消息传递神经网络框架的相关概念，以扩展 GNN 架构适用于异构图。首先，我们将创建自定义异构数据集。然后，将同构架构转化为异构架构。
图神经网络实战（5）——常用图数据集
盼小辉丶的博客
03-20 9114
Cora 和 Facebook Page-Page 是图神经网络领域中经常使用的两个基准图数据集，通常用来比较不同模型的性能。在本节中，介绍了如何使用 PyTorch Geometric 库提供的数据集类加载 Cora 和 Facebook Page-Page 数据集，并探索了两个数据集的主要特征。
BidNet：无视差估计的双目图像去雾（CVPR2020)
zhangmeili_9的博客
01-15 3192
Binocular Image Dehazing，双目图像去雾，也就是左右双眼的两张图（相机同理），左上左下分别是左眼与右眼看到的带雾的图像，右上和右下分别是左眼和右眼去雾之后的结果。 左上：输入左雾图像。左下：输入右雾图像。右上：去雾左图像。右下：去雾右图像 也是基于雾天退化模型的去雾算法，根据已知的有雾图像求解出透射率和全局大气光 。 原理图如下： 图（a）双目图像去雾网络（BidNet）的总体架构。...
《论文阅读》BidNet: Binocular Image Dehazing without Explicit Disparity Estimation
未知丶的博客
09-01 1372
留个笔记自用 BidNet: Binocular Image Dehazing without Explicit Disparity Estimation 做什么 Binocular Image Dehazing，双目图像去雾，也就是左右双眼的两张图（相机同理），左上左下分别是左眼与右眼看到的带雾的图像，右上和右下分别是左眼和右眼去雾之后的结果 做了什么 这里的I(x)表示雾化图像中每个像素x的值，J(x)表示清晰图像中每个像素x的值，t(x)表示透射率，A表示全局大气光 由此可见，图像去雾过程就是根据
【CVPR2020】文章、代码和数据链接
qq_36717487的博客
04-16 1657
Awesome-CVPR2020-Low-Level-Vision[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FyX9YiTI-1650081252263)(https://camo.githubusercontent.com/13c4e50d88df7178ae1882a203ed57b641674f94/68747470733a2f2f63646e2e7261776769742e636f6d2f73696e647265736f726875732f617765736f6d
论文优秀插图，收藏起来！
最新发布
2301_77413856的博客
07-19 4891
注：(A)密苏里河（下）、密西西比河（左上）和伊利诺斯河（右上）的洪水前图像（1991年8月14日）。图2： Schematic diagram of the future development of lakes and their impact on the ecology of the Tibetan Plateau.注：(A)树突状图案发育在均匀可侵蚀的岩石上。图2： Construction of the ecological network (a) with evaluation (b).
PSNR/SSIM
w18226357716的博客
02-23 1083
Method 会议名称 数据集 PSNR/SSIM Domain Adaptation for Image Dehazing（图像去雾的域自适应算法） [CVPR2020] SOTS 27.76/0.93 Ultra-High-Definition ImageDehazing via Multi-Guided Bilateral...
MICCAI 2024 每日一篇论文 纯纯直读 CUTS:用于多粒度无监督医学图像分割的深度学习和拓扑框架
@Elaine
07-09 3626
主要贡献包括： CUTS 是一种新颖的无监督框架，采用双阶段方法：首先，它生成图像像素块的嵌入图像，通过卷积编码器训练嵌入，然后使用数据凝聚技术将这些像素块聚类为不同粒度的分割。 针对每个阶段的优化目标，结合图像内重建和局部路径重建。 使用基于多尺度、拓扑引导的数据粗粒度匹配方法，通过图像自适应聚类，生成多粒度分割。 应用我们的框架来分割由视网膜图像和脑部MRI图像组成的医学图像数据集。我们通过定性和定量的度量方法评估CUTS的性能，并将其与其他无监督方法和监督方法进行比较。
【图神经网络】使用DGL框架实现简单图分类任务
小哲的博客
11-17 2975
这里使用的图分类器和应用在图像或者语音上的分类器类似——先通过多层神经网络计算每个样本的表示（representation），再通过表示计算出每个类别的概率，最后通过向后传播计算梯度。通过图卷积（Graph Convolution）层获得图中每个节点的表示。使用「读出」操作（Readout）获得每张图的表示。使用 Softmax 计算每个类别的概率，使用向后传播更新参数。下图展示了整个流程：之后我们将分步讲解每一个步骤。
利用Graphviz画神经网络框架图
EdisonLeeeee的博客
05-14 7353
利用Graphviz画神经网络框架图，分别使用dot脚本及python代码绘制
linux FIO
03-11
1. 解压 FIO安装包tar –xvf fio-2.0.7.tar.gz 到centos i686任意路径 2. 安装gcc编译器： Yum –y install gcc 3. 安装 libaio 库 ： yum install libaio-devel 4. Make clean 5. Make 6. Make install 7. Fio –filename =/media/ssd1/test/ssd.test –directory=/media/ssd1 –size=5g -direct=1 –iodepth =4 -ioengine=libaio –numjobs=1 -rw=randread -bs=4k -runtime=10m –time_based -stonewall -group_reporting -name=zhouxue
SLIC提取和替换工具
03-26
SLIC提取和替换工具
2020CVPR去雾-Distilling Image Dehazing With Heterogeneous Task Imitation论文源码
01-04
2020CVPR顶会图像去雾论文源码-Distilling Image Dehazing With Heterogeneous Task Imitation论文源码
（Multi-Scale Deep Residual Learning-Based SingleImage Haze Removal via Image Decomposition-2020）阅读报告
w18226357716的博客
02-20 1735
概述 本文提出了一种基于深度学习的基于多尺度残差学习(MSRL)和图像分解的单幅图像去雾体系结构(简称MSRL- dehazenet)。我们将问题重新表述为图像基组件的恢复，而不是学习每对有雾图像与其对应的无雾图像之间的端到端映射，这是目前大多数基于学习的方法所采用的。在将雾霾图像分解为基础和细节分量的基础上，雾霾去除(或去雾)可以通过我们的多尺度深度残差学习和我们的简化U-Net学习来实现，这两种学习只针对雾霾和无雾基分量之间的映射，而细节部分则通过另一个学习过的卷积神经网络(CNN)进...
深度学习——Multi-Scale Progressive Fusion Network for Single Image Deraining
weixin_51352656的博客
12-18 2121
CVPR2020论文：Multi-Scale Progressive Fusion Network for Single Image Deraining 1.主要内容：提出了多尺度渐进融合网络。实现了单幅图像去雨。该网络通过金字塔表示的方式，利用多尺度图像信息呈现雨纹特征。 例如，右边是原始尺度图像，左边是1/2尺度图像。文章指出，同一个尺度图像中，不同位置的雨纹具有相似的结构特征； 不同尺度的图像中，相同位置的雨纹亦有相似的结构特征。因此，我们可以提取、融合多尺度的图像信息，来获取雨纹的特征。 为了更
[2020CVPR]Multi-Scale Progressive Fusion Network for Single Image Deraining
什么都学不会
12-21 1630
用于单幅图像去雨的多尺度渐进融合网络概括创新不足模型粗融合模块（CFM）细融合模块（FFM）雨条纹重建模型（RM）损失函数均方误差边缘损失总损失函数实验结果 原文 代码 概括 文章主要结合金字塔结构、信道注意力机制进而协同地表示出多尺度的雨纹信息，提出了一种MSPFN网络。 对于雨的成像原理，由于雨和相机之间的距离不同，导致图片中的雨水会呈现出不同的模糊度和分辨率，因此可以利用多分辨率和多尺度之间的互补信息来表示雨纹。本文主要提出了一个框架从输入图像尺度和层次深度特征的角度，探讨了雨纹的多尺度协同表示，进而
论文阅读：Multi-Scale Progressive Fusion Network for Single Image Deraining
wang_chaochen的博客
11-23 6293
坐得住凳子。 2020CVPR：MSPFN 这篇文章是2020CVPR的一篇文章，作者来自武汉大学。文章主要结合金字塔结构、信道注意力机制进而协同地表示出多尺度的雨纹信息，提出了一种MSPFN网络。 代码：戳我 本文主要提出了一种多尺度渐进融合网络(MSPFN)。 对于雨的成像原理，由于雨和相机之间的距离不同，导致图片中的雨水会呈现出不同的模糊度和分辨率，因此可以利用多分辨率和多尺度之间的互补信息来表示雨纹。本文主要提出了一个框架从输入图像尺度和层次深度特征的角度，探讨了雨纹的多尺度协同表示，进而完成去雨
用于去雾的双向深度残差学习(Bidirectional Deep Residual learning for Haze Removal-CVPRW_2019)
w18226357716的博客
02-13 2068
概述 本文提出了一种基于双向残差学习的去雾方法。本文的方法是由生成式对抗网络(GANs)实现的，它由雾霾消除和雾霾重建两个部分组成。该方法交替使用残差去除和重建模糊区域，以产生更精确的无雾图像。我们采用基于扩展树结构的特征融合策略来包含更多的空间信息，并将光谱归一化技术应用到GAN网络中。定量和定性实验证明了该方法的有效性，表明该方法优于目前最先进的去雾算法。 主要贡献 本文提出了一种双向残差学习去雾方法，其中去雾通道网络从雾状图像生成无雾图像，雾状构造通道网络从生成的无雾图像恢复雾状...
Patch Map-Based Hybrid LearningDehazeNet for Single ImageHaze Removal（基于Patch Map的去雾网络，IEEE2020）
yanglong6666的博客
02-20 631
摘要：在雾霾环境中获取的图像通常存在能见度差和信息丢失的问题。因此，在本研究中，我们提出了一种基于patch-map的混合学习去雾网络，通过使用一种包含patch-map和双注意生成对抗网络的混合学习技术，将这两种学习策略结合起来。在这种方法中，分析了限制暗通道先验(DCP)性能的原因。定义了一种新的特征patch map，用于自适应地选择patch大小。可以有效地解决DCP的局限性(例如，颜色失真和无法恢复涉及白色场景的图像)。此外，为了进一步提高该方法的除霾性能，我们将基于patch-map的DCP嵌入
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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