random2020

过去的算法大多数依然按照传统的方式，估计大气散射模型的A和t。但由于缺乏相应的准确数据，从而导致不准确的去雾。文章提出了一种具有融合鉴别器FD-GAN的端到端对抗生成网络，用于图像去雾。它把频率信息作为附加信息，生成了更加自然的图像。 如图所示，网络的生成器部分为基于密集连接的…

过去的loss大多数都是MSE之类的损失，在视觉上具有更好的吸引力，而对于高级视觉任务则并非总是有更好的性能。文章对此提出了一个CNN网络，包括三个部分：去雾子网（DNet）、分类驱动的对抗生成子网（CCGAN）、与图像分类相关的分类子网（CNet）。这个设计使去雾结果在视觉上…

近些年的算法大多都是基于合成的有雾图像进行训练的。而由于域移位，使用这些图像训练的网络很难迁移到真实的有雾图像上。文章提出了一个名为领域适应的网络，它由一个图像转换模块和两个去雾模块组成。具体来说，文章先应用了双向翻译网络，将图像从合成域和真实域之间相互转换。然后，文章使用翻译…

文章制作了一个来自3D视频的户外场景的数据集，根据其3D信息得到相应的深度信息。并且提出了一个轻型网络，以能够在移动设备上实时运行。 当前的大多的合成数据集都在室内，缺乏相应的具有准确深度的室外环境的数据集。文章提出了关于数据驱动的去雾算法的两个重要问题： 缺乏大型，高质量，真…

文章通过无雾图像细节和透射图的联合估计来进行去雾操作。其中无雾图像细节由文章提出。并且使用全局正则化来消除光晕和伪影。 其中和代表有雾图像和无雾图像到大气光图像的距离。 在过去的一些方法中，一般为通过估计传输图来获得去雾结果。最近也有某个算法使用估算无雾图像细节来获得去雾结果。…

文章提出了一个新网络DHGAN，相比于过去的去雾网络，其增加了对抗损失和暗通道损失。 图为网络的整体框架。其中表示输入有雾图像；表示输出的去雾结果；表示无雾Gth；为生成器；为鉴别器；其余部分为损失的计算和反向传播的过程。 选择窗口大小为,一定程度的避免了白色物体的不适应现象。

文章提出了一种具有双鉴别器的Cycle GAN网络（DD-CycleGAN）。其作用类似于CycleGAN。 文章提到，目前没有足够的成对的数据集来给一般的深度神经网络进行学习，所以选择了CycleGAN。 为了使鉴别器得到最优解并平衡生成器和鉴别器，文章增加了鉴别器的数量。 …

文章设计了一个传输网络来估计传输图来进行去雾。文章的亮点在于考虑了不同的颜色受光波长的影响，在传输过程中的损耗不同。此外文章研究了其他网络和其他算法，以及对大气散射模型做了较为细致的分析。 过去提出的一些先验并不完全适应真实的场景。 一些端到端的网络未能利用投射图和大气光之间的…

在去雾领域，主要有两种方法：一种是基于大气散射模型的去雾方法，可以较好的恢复图像纹理细节。另外一种是基于Retinex理论的图像增强方法，可以很好的改善图像对比度。但，前者结果对比度不佳，而后者容易丢失纹理细节。文章提出了一个对抗生成网络（PBGAN），并行利用这两种方法之间的…