- 博客(25)
- 收藏
- 关注
RSS订阅原创 D4+ 模型里增加风格迁移（Style Transfer）
D4+ 去雾后，可能会有色彩偏差、对比度不均匀的问题（如雾去掉了但颜色不真实）。：可以用（色调、对比度等）来，让去雾后的图像更符合“自然无雾图像”的视觉特性。→ 这本质上，让 D4+ 适应。：D4+ 去雾和去噪是分开的，去雾可能导致噪声放大，去噪可能让细节模糊。：风格迁移过程中会自动调整，可以起到的作用，避免 D4+ 误把细节当成噪声去除。：D4+ 的去雾效果是固定的，无法让用户调整去雾的风格（比如更锐利、偏暖色调等）。可以让用户提供一张，引导去雾图像的（比如偏冷色、偏暖色）。也可以用。
2025-03-31 19:05:10
736
原创 基于方法分类的无监督图像去雾论文
论文《DFP-Net: An unsupervised dual-branch frequency-domain processing framework for single image dehazing》（有代码）论文《DFP-Net: An unsupervised dual-branch frequency-domain processing framework for single image dehazing》（有代码）
2025-03-31 19:03:02
766
原创 DefogNet 与 TSID-Net：两种单图像去雾方法的对比分析
DefogNet 是一种基于无监督学习的单图像去雾算法，其核心思想是将图像去雾视为风格转换问题，即从雾天图像转换到晴天图像。该方法在 CycleGAN 的基础上进行了改进，增加了跨层连接结构以增强模型的多尺度特征提取能力，并重新设计了损失函数，引入细节感知损失和颜色感知损失，以提高去雾图像的质量。（在TensorFlow上完成所有训练和测试）风格转换阶段：利用 ST-Net 生成多样化的雾天图像。知识转移阶段：利用正负教师网络进行知识转移和对比学习。
2025-03-28 17:08:53
619
原创 从研究动机视角对无监督图像去雾论文的分类
去雾所用的传输图像是通过散射系数和从LiDAR 2D投影获得的灰度深度图像来定义的。这种方法结合了深度信息和散射系数，以更准确地估计传输图像。
2025-03-28 08:57:59
899
原创 扩散模型在无监督图像去雾中的应用
图像去雾（Image Dehazing）是计算机视觉中的一个重要任务，旨在去除图像中的雾气，使其更加清晰。未来，扩散模型在去雾任务中的应用仍然有很大潜力，结合 Transformer、ControlNet 可能会进一步提升去雾效果。在图像生成与去噪领域表现出色，因此被引入到无监督图像去雾任务中。该方法通过无监督学习，让去雾模型在没有真实清晰图像监督的情况下学会恢复清晰图像。这些方法利用扩散去噪的特性，使雾气逐步消散，从而得到更清晰的图像。这样可以提高无监督去雾的稳定性，使去雾结果更自然。
2025-03-28 08:44:47
905
原创 深度学习去雾算法系列：UR2P-Dehaze与DCM-dehaze代码结构分析及与D4的对比
模型优缺点模型优点缺点D4轻量高效，物理可解释性强颜色恢复能力弱，依赖合成数据DCM-dehaze边缘清晰，真实场景泛化能力强复杂场景易出现伪影，依赖高质量训练数据颜色保真度高，细节保留优秀计算复杂度较高，频域操作增加训练难度。
2025-03-24 11:29:58
660
原创 D4与D4+模型去雾效果大比拼：从SOTS室内外图像看无监督去雾的突破与挑战
D4的PSNR：22.99 D4+的PSNR：23.69有雾图、去雾图和无雾图的对比有雾图 D4 D4+ 无雾图。
2025-03-24 11:29:46
494
原创 图像去雾技术大揭秘：2024-2025年CVPR、ICCV、ECCV顶会论文分类解析
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。
2025-03-19 10:35:25
1265
原创 破雾新境界：双分支协同架构解锁 DCM-Dehaze 去雾新姿态
1. 创新点双分支协同架构（Dual-branch Collaborative Model）：采用去雾分支和轮廓约束分支并行工作，使得模型不仅能恢复图像清晰度，同时还能增强边缘信息，避免细节丢失。双深度可分离卷积模块（DDSCM）：利用深度可分离卷积技术，在降低计算复杂度的同时提升特征表达能力，有效捕捉不同尺度的特征信息。双向轮廓分析（BCA）：通过在水平与垂直方向上计算梯度，提取图像轮廓信息，进而指导模型对边缘细节进行优化，减少因过度平滑导致的细节损失。残差密集流增强器（DFRE）
2025-03-12 15:11:10
737
原创 色彩重生：基于 Retinex 理论的 UR2P-Dehaze 去雾增强器解析
UR2P-Dehaze 通过结合 Retinex 理论和数据驱动的先验估计，采用两分支结构来分别处理光照、反射和频率信息，最后再通过自适应颜色校正解决色偏问题，实现了高质量的图像去雾。该方法在恢复图像细节与颜色校正方面表现出色，但在模型复杂性和对极端情况的适应性上还有提升空间。这篇博客全面解读了 UR2P-Dehaze 的设计思路及其在实验中的表现，为研究者和工程师提供了宝贵的参考。如果你对去雾技术或 Retinex 理论感兴趣，UR2P-Dehaze 无疑是一个值得深入研究的方向。C_%7BF%7D。
2025-03-12 15:00:32
936
原创 B站弹幕爬取教程：Python爬虫技术助你轻松获取弹幕数据
在日常观看B站视频时，我们经常会看到视频下方的弹幕。弹幕不仅仅是观众的互动，它还蕴含着大量的信息，通过分析弹幕内容，我们可以挖掘出视频的情感趋势、用户的情感态度等有价值的数据。今天，我们将带着大家一起爬取B站的视频弹幕，并对弹幕进行情感分析和关键词提取。通过爬取 B 站的视频弹幕，并结合情感分析与关键词提取，我们能够获取到有价值的观众情绪数据，并进行更深入的分析。在此基础上，您可以探索更多的应用场景，比如实时监控视频情感变化，分析特定时段的情感趋势等。
2025-03-03 15:32:04
720
原创 雾霾退散！D⁴算法：不用配对数据，AI自己造雾练成去雾神功
本文提出了一种自增强的非成对图像去雾框架D4，它将透射图的估计分解为密度图和深度图的预测。该方法通过对深度的估计，能够对不同密度的模糊图像进行自增强，从而大幅度提高去雾性能。
2025-02-27 21:36:08
744
原创 无需配对数据！五大无监督去雾算法全解析
1. 模型核心提出了一种无监督双向对比重建框架（BCRF）与自适应细粒度通道注意力机制（FCA），结合为UBRFC-Net，用于图像去雾。2. 创新点双向对比重建框架（BCRF）方法通过端到端去雾网络和参数估计网络分离去雾图像、大气光值和透射率图。正向重建：从清晰图像重建雾图，约束内容一致性。逆向重建：从雾图反向生成清晰图像，增强清晰图像约束。引入对比学习（对比损失），通过正负样本（清晰/雾图）强化特征差异性与语义一致性。自适应细粒度通道注意力（FCA）动机。
2025-02-20 21:30:22
1102
原创 基于无监督学习的图像去雾算法：改进的CycleGAN模型
该算法基于CycleGAN模型，通过引入U-Net结构、基于CoordAttention的残差网络和SK Fusion特征融合层，利用通道注意力机制来融合多个模型，提升了去雾效果。同时，引入了感知损失函数，使生成的图像不仅在像素级别上准确，还在视觉上更接近真实图像。
2025-02-16 12:50:36
476
原创 图像去雾常见数据集
上述数据集涵盖了室内、室外、真实和合成等多种场景，可以满足不同研究需求。在选择数据集时，建议根据具体任务的应用场景和目标选择合适的数据集，例如真实雾天图像适合模型的实际应用验证，而合成数据则适合模型的快速迭代和训练。希望本文能为从事图像去雾研究的朋友提供一些帮助！
2024-12-19 17:57:53
2789
原创 DehazeFormer 模型详解
通过对这些创新点或改进点的详细分析，我们可以看到 DehazeFormer 不仅在去雾效果上取得了显著提升，还在模型设计的整体架构和计算效率上做出了诸多创新。其引入的视觉变换器结构和端到端训练机制，为去雾任务提供了新的解决方案，推动了该领域的发展。希望大家在看完这篇文章之后能更加理解 DehazeFormer 模型！
2024-12-18 13:47:47
1631
原创 计算机视觉期末考试知识点
非极大值抑制（Non-Maximum Suppression, NMS）是计算机视觉中常用的一种技术，尤其在目标检测任务中，NMS 用于从一组候选框中筛选出最优的检测框。其主要目的是减少冗余的检测框，确保每个目标只对应一个检测框。非极大值抑制的核心思想是通过选择得分较高的框并抑制重叠度较大的框，减少冗余检测结果，最终输出最优的边界框。这在目标检测任务中尤为重要，能够提高检测的精度和效率。精度关注的是模型预测为正类时的准确性。召回率关注的是模型是否能够识别出所有正类样本。F1 分数。
2024-12-14 22:09:02
1604
原创 遥感和无人机图像去雾：基于深度学习、先验和混合方法的综述的无监督去雾模型总结
一、什么是无监督去雾模型？1、 定义是指无需成对的雾化图像（hazy image）和无雾图像（clean image）作为训练数据，通过未标注的数据或特定的先验知识，直接从输入的雾化图像中学习去雾映射关系的模型。这种方法在标注数据稀缺的情况下尤为重要，广泛应用于真实场景的图像去雾任务。2、无监督图像去雾的核心思想无监督的图像去雾模型旨在减少对成对（hazy-clear）训练数据的依赖，主要利用生成对抗网络（GAN）、对比学习、解耦学习等方法，以自动提取潜在的清晰图像特征，而无需明确的监督信息
2024-12-12 09:23:23
1068
原创 计算机视觉-图像去雾（A Data-Centric Solution to NonHomogeneous Dehazing via Vision Transformer）中文版
近年来，图像去雾技术受到了越来越多的关注。针对这一挑战，已经提出了许多深度学习方法，并在处理均匀雾霾（homogeneous haze）的场景中取得了显著成果。然而，当这些方法被应用于非均匀雾霾图像（如NTIRE挑战赛提出的NH-HAZE23数据集）时，其性能却难以保持相当水平。造成这种表现不佳的原因之一在于，非均匀雾霾（non-homogeneous haze）不符合建模均匀雾霾所需的基本假设。此外，传统的端到端训练方法往往需要大量成对的非均匀雾霾图像及其对应的干净图像。
2024-12-11 22:54:06
831
原创 遥感和无人机图像去雾：基于深度学习、先验和混合方法的综述
本文综述了图像去雾的研究进展，重点介绍了各种去雾方法，并比较了它们在不同场景下的性能表现。文章首先介绍了去雾的基本原理和数学模型，然后详细阐述了基于先验知识和深度学习的去雾方法，并对比了它们的优缺点。此外，文章还探讨了当前去雾研究中存在的一些挑战和未解决的问题，为后续研究提供了参考。
2024-12-11 22:36:00
1425
原创 Vision Transformers for Single Image Dehazing 论文解读
本文介绍了一种名为DehazeFormer的图像去雾方法，该方法基于视觉Transformer模型，并对Swin Transformer进行了改进，包括修改归一化层、激活函数和空间信息聚合方案等。作者在多个数据集上训练了多个变体的DehazeFormer，并证明其有效性。在常用的SOTS室内数据集上，小型模型仅使用25％的参数和5％的计算成本就超过了FFA-Net。此外，作者还收集了一个大规模的遥感去雾数据集以评估该方法处理非均匀雾霾的能力。
2024-12-04 17:23:03
992
原创 pycharm安装numpy失败原因分析
我们只需在命令行输入：pip install numpy-i http://mirrors.aliyun.com/pypi/simple/中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/阿里云 http://mirrors.aliyun.com/pypi/simple/
2024-09-20 21:57:31
2447
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人