<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_68604571的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_68604571</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_68604571]]></copyright><item><title><![CDATA[用Zotero + Word 宏，一键插入带超链接的参考文献！]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/147310908</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/147310908</guid><author>m0_68604571</author><pubDate>Thu, 17 Apr 2025 18:12:56 +0800</pubDate><description><![CDATA[如果你参考文献没有包含 URL 或 DOI，这个方法就找不到可以链接的地址。建议用 Zotero 插入样式时选择带 URL 的样式，比如 APA。然后重新打开word后查看宏，找到ZotreoLinkCitation，然后点击运行。✅ 你会看到：参考文献中的 URL 已经变成了可以点击的超链接啦！✅ 已安装好 Zotero Word 插件（一般自动装好了）2. 点击视图，查看宏，然后创建宏。1. 打开你的 Word 文档。Word 可能会警告你启用宏，打开你的 Word 文档。回到 Word 文档，]]></description><category></category></item><item><title><![CDATA[从合成到真实 | PSD：物理先验引导的图像去雾新框架 | 论文解读]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/147272415</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/147272415</guid><author>m0_68604571</author><pubDate>Wed, 16 Apr 2025 14:56:29 +0800</pubDate><description><![CDATA[大部分深度学习图像去雾方法，都是用合成的雾图+清晰图对训练的。但现实世界里的雾图和清晰图，很难获得一一配对！合成数据训练出来的模型，到了真实场景效果骤降，泛化能力弱得不行。那么有没有办法，把在合成图上训练好的模型迁移到真实场景？PSD 就是为了解决这个“合成到真实迁移”的核心难题而设计的。论文提出的是一种两阶段框架：图一 模型架构图🔹通用性强：支持多数主流去雾网络（如 MSBDN、FFA-Net、GridDehazeNet）作为主干🔹无需真实清晰图：仅用真实雾图 + 先验就能完成微调🔹。]]></description><category></category></item><item><title><![CDATA[用扩散模型搞去雾？这篇 Diff-Dehazer 真有点东西！| 论文解读]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/147266158</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/147266158</guid><author>m0_68604571</author><pubDate>Wed, 16 Apr 2025 10:06:54 +0800</pubDate><description><![CDATA[现实世界中，雾霾天气对图像质量影响极大，不仅视觉效果差，还影响目标检测等下游任务。基于物理模型：如经典的暗通道先验（DCP）、BCCR等，这类方法通过手工设计的物理规律逆推还原清晰图像。但问题是：一旦遇到复杂场景，先验就失效了。基于深度学习的有监督方法：如 DehazeFormer、C2PNet 等，依赖合成的有雾-无雾图像对训练神经网络，效果不错，但泛化能力差（合成的毕竟不是现实中的雾）。于是，“无监督图像去雾”应运而生：不用成对的数据，用 CycleGAN 等结构从未配对的有雾图和清晰图中学习映射。]]></description><category></category></item><item><title><![CDATA[ D4+ 模型里增加风格迁移（Style Transfer）]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146583557</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146583557</guid><author>m0_68604571</author><pubDate>Mon, 31 Mar 2025 19:05:10 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[基于方法分类的无监督图像去雾论文]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146842114</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146842114</guid><author>m0_68604571</author><pubDate>Mon, 31 Mar 2025 19:03:02 +0800</pubDate><description><![CDATA[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）]]></description><category></category></item><item><title><![CDATA[DefogNet 与 TSID-Net：两种单图像去雾方法的对比分析]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146569167</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146569167</guid><author>m0_68604571</author><pubDate>Fri, 28 Mar 2025 17:08:53 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[从研究动机视角对无监督图像去雾论文的分类]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146524746</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146524746</guid><author>m0_68604571</author><pubDate>Fri, 28 Mar 2025 08:57:59 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[扩散模型在无监督图像去雾中的应用]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146506552</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146506552</guid><author>m0_68604571</author><pubDate>Fri, 28 Mar 2025 08:44:47 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146206883</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146206883</guid><author>m0_68604571</author><pubDate>Mon, 24 Mar 2025 11:29:58 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[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]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146397615</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146397615</guid><author>m0_68604571</author><pubDate>Mon, 24 Mar 2025 11:29:46 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[图像去雾技术大揭秘：2024-2025年CVPR、ICCV、ECCV顶会论文分类解析]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146349899</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146349899</guid><author>m0_68604571</author><pubDate>Wed, 19 Mar 2025 10:35:25 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[破雾新境界：双分支协同架构解锁 DCM-Dehaze 去雾新姿态]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146196237</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146196237</guid><author>m0_68604571</author><pubDate>Wed, 12 Mar 2025 15:11:10 +0800</pubDate><description><![CDATA[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）]]></description><category></category></item><item><title><![CDATA[色彩重生：基于 Retinex 理论的 UR2P-Dehaze 去雾增强器解析]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/146199471</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/146199471</guid><author>m0_68604571</author><pubDate>Wed, 12 Mar 2025 15:00:32 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[B站弹幕爬取教程：Python爬虫技术助你轻松获取弹幕数据]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/145989977</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/145989977</guid><author>m0_68604571</author><pubDate>Mon, 03 Mar 2025 15:32:04 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[雾霾退散！D⁴算法：不用配对数据，AI自己造雾练成去雾神功]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/145913218</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/145913218</guid><author>m0_68604571</author><pubDate>Thu, 27 Feb 2025 21:36:08 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[无需配对数据！五大无监督去雾算法全解析]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/145691143</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/145691143</guid><author>m0_68604571</author><pubDate>Thu, 20 Feb 2025 21:30:22 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[基于无监督学习的图像去雾算法：改进的CycleGAN模型]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/145663374</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/145663374</guid><author>m0_68604571</author><pubDate>Sun, 16 Feb 2025 12:50:36 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item><item><title><![CDATA[图像去雾常见数据集]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/144590774</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/144590774</guid><author>m0_68604571</author><pubDate>Thu, 19 Dec 2024 17:57:53 +0800</pubDate><description><![CDATA[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！]]></description><category></category></item><item><title><![CDATA[DehazeFormer 模型详解]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/144507785</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/144507785</guid><author>m0_68604571</author><pubDate>Wed, 18 Dec 2024 13:47:47 +0800</pubDate><description><![CDATA[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！]]></description><category></category></item><item><title><![CDATA[计算机视觉期末考试知识点]]></title><link>https://blog.youkuaiyun.com/m0_68604571/article/details/144475960</link><guid>https://blog.youkuaiyun.com/m0_68604571/article/details/144475960</guid><author>m0_68604571</author><pubDate>Sat, 14 Dec 2024 22:09:02 +0800</pubDate><description><![CDATA[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。]]></description><category></category></item></channel></rss>