random2020

文章介绍了一种能够适应各色大气光的去雾方法。 如图所示，过去的GWA方法在某些具有亮点的场景下，会得到色偏结果。这在第二、三张图中特别明显。 网络模型分为两个部分，Generator 1负责大气光颜色的矫正，将其颜色恢复为三通道平衡的有雾图像。Generator 2负责图像去雾…

从低分辨率到高分辨率的映射通常是个不确定的问题，因为存在无限的高分辨率图像可能会被采样到相同的低分辨率图像。这样会导致超分辨率对于低分辨率图像的解空间非常大。在这里我理解的是，在不成对的变化中才可能出现这种情况。 使用成对的低分辨率-高分辨率图像可以解决上述问题。 但由于低分辨…

作者认为在去雨任务中时常有算法无法完全去雨，会残留部分的雨点，而迭代去雨能够消除这个问题。 如上图所示，在图（a）中，可以看到网络进行了T次迭代过程，其中每次输入均为原始有雨图像和上一轮去雨后的图像。在每个网络去雨过程中，其网络结构如图（a）左图所示，由普通卷积组成。 在图（b…

对老式胶片视频重制包括超分辨率、去噪、对比度增强、上色等问题，目标在于使老式胶片视频恢复结果具有现代视频的画面清晰，色彩鲜艳，细节明显等特点。文章设计了一个半交互式的网络来解决整个视频重置任务。文章特点在于，该网络能够参考任意数量的彩色图像，并且无需保持时间一致性。 过去有许多…

文章提出了一个深度递归波段网络（deep recursive band network，DRBN），在递归带（DRBN）学习中，它通过4次迭代网络获得不同尺度的增强结果，通过计算这些增强结果的差值。在得到差值之后，在其波段重组阶段，文章将其进行融合以得到最终的增强结果。在网络最…

文章使用知识蒸馏方法设计了去雾网络。教师网络为自编码器对无雾图像进行恢复，学生网络为端到端的去雾网络对有雾图像进行去雾。其中教师网络的编码特征为指导信息指导学生网络的中间结果与自编码器网络相似。 对于去雾任务，什么样的网络可以提供有效的知识来辅助去雾网络进行训练？现有的大部分知…

文章提出了一个基于U-net架构的具有密集特征融合的多尺度Boosting去雾网络，它在解码器中加入了基于Boosting的策略，基于反投影反馈方案设计了一个密集特征融合模块。 网络结构如图所示，其中步长为1、2的卷积层和步长为2的反卷积层均为普通卷积层。文章重点介绍了SOS …

文章使用了基于boosting的多轮迭代去雾算法，并在此基础上迭代联合训练，其网络权重并未共享。 其中表示服从高斯分布的噪声。而去噪可以表达为： 其中表示普通的去噪方法，表示的近似。由于算法不是完美的，因此也不能完全等于，它们之间的差距可以表达为： 其中表示未恢复的图像（信号）…

文章提出了一种端到端特征融合注意力网络FFA-net。其中创新部分为添加了通道注意力层和像素注意力层。 如图所示，整个网络由三个残差块、通道注意力层、像素注意力层组成。文章认为，卷积提取的特征层并不是每层每个像素等价重要的。其中通道注意力层和像素注意力层如下所示： 文章使用了损…