yhz_xi的博客

AbstractImages taken underwater often suffer color distortion and low contrast because of light scattering and absorption. An underwater image can be modeled as a blend of a clear image and a background light, with the relative amounts of each determi...

目录摘要背景创新点损失函数训练集合成摘要Image dehazing can be described as the problem of mapping from a hazy image to a haze-free image. Most approaches to this problem use physical models based on simplifications and priors. In this work we demonstrate th...

代码地址：https://github.com/AlonaGolts/Deep_Energy论文地址：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8897130&tag=1Abstract摘要—单幅图像去雾是当前计算机视觉中的一个重要的研究课题。早期基于先验知识的方法通常包括比较耗时的最小化能量公式问题，最近基于学习的方法利用深度神经网络（DNN）来学习朦胧图像和清晰图像之间的潜在转换。由于收集匹配的清...

Abstract 在沙尘暴中捕获的图像通常遭受沙尘引起的低对比度和严重的偏色，这些问题将对室外计算机视觉系统的性能产生明显的负面影响。 针对这些问题，本文提出了一种基于晕轮减少暗通道先验（DCP）除雾的沙尘图像增强方法。 它依次包括三个部分：基于灰度世界理论的LAB色彩空间中的色彩校正，使用减少光晕的DCP去雾方法去除灰尘，以及使用Gamma函数改进的对比度受限自适应直方图均衡化在LAB色彩空间中进行对比度拉伸（ CLAHE），其中使用引导滤波器来改善直方图均衡化的伪影。 在大量真实的沙...

Abstract 我们提出了一种称为密集连接金字塔除雾网络（DCPDN）的新型端到端单图像去雾方法，它可以共同学习透射图，大气光和去雾。端到端学习是通过将大气散射模型直接嵌入到网络中来实现的，从而确保所提出的方法严格遵循物理驱动的散射模型。受密集网络的启发，可以最大限度地利用不同层次特征的信息流，我们提出了一种新的边缘保持密集连接的编码器 - 解码器结构，其中包含用于估计传输图的多层金字塔池模块。该网络使用新引入的边缘保留损失函数进行了优化。为了进一步在估计的传输图和去抖动结果之间结...

Abstract 通常情况下，除雾算法都会求大气光A和透射图 t ,而后根据去雾模型公式反推得到去雾图像J，在本文中，针对这种去雾方法提出了两个网络，第一个是At-DH，基于DenseNet编码器与两个不同的基于DenseNet的解码器，共同估计去雾图像；第二个网络为AtJ-DH网络，在At-DH的基础上，增加了一个基于DenseNet的解码器，用以与A、t一起重新创建无雾图像，通过自定义的正则项通过GroundTruth进一步增强AtJ-DH中的参数A和t的估计。Method...

Introduction 现有图像去雾方法的性能受到手工设计的功能（例如暗通道，色差和最大对比度）以及复杂融合方案的限制。在本文中，我们通过学习模糊图像与其对应的透射图之间的映射关系，提出了一种用于单图像去雾的多尺度深度神经网络。 所提出的算法由基于整个图像预测整体透射图的粗尺度网和局部细化结果的细尺度网组成。 为了训练多尺度深层网络，我们基于NYU深度数据集合成了一个由模糊图像和相应的传输图组成的数据集。大量实验表明，该算法在质量和速度方面都优于合成和真实图像上的最新技术M...

（在组会上讲了一下论文，发现论文逻辑没有太清晰，有些细节部分仍需继续学习，所以记录一下，以便之后回顾）项目：http://irvlab.cs.umn.edu/enhancing-underwater-imagery-using-gans 论文： https://arxiv.org/pdf/1801.04011.pdf 代码：https://github.com/IRVLab/UGAN/find/25a94be6373c7d9bbfd37b81336d584b89a7624b1.介绍 本文..