精华内容
下载资源
问答
  • 去雨

    2018-03-03 20:43:33
    深度去雨--Deep Joint Rain Detection and Removal from a Single Image 图像去雨算法(基于卷积网络)将图像上雨水去除的四种主流方法两种方法解决图片的去雨(De-rain)问题 | CVPR2017视频图像去雨技术研究前沿...
    展开全文
  • 去雨探索

    千次阅读 2018-09-18 10:52:59
    图像视频去雨常用方法探索1.常用方法汇总1.1深度学习去雾去雨方法简介 1.常用方法汇总 1.1深度学习去雾去雨 深度学习去雨去雾11种方法梳理 图像除雨的轻量级金字塔网络机器学习 CVPR2017解读-Deep Joint Rain ...

    1.常用方法汇总

    1.1深度学习去雾去雨

    深度学习去雨去雾11种方法梳理
    ECCV北大开源去雨
    图像除雨的轻量级金字塔网络机器学习
    CVPR2017解读-Deep Joint Rain Detection and Removal from a Single Image
    CVPR2017解读两种方法解决图片的去雨(De-rain)问题
    图像去雨算法(基于卷积网络)
    将图像上雨水去除的四种主流方法
    视频图像中雨滴去除技术研究
    基于稀疏表示和频域方向滤波的图像雨雪去除算法
    ACM18人工智能去雨用于单图像去雨的非局部增强编码器解码器网络
    深度学习在处理视频上几种主要技术方法
    深度学习视频处理的详细方法
    ECCV2018

    1.2稀疏编码字典学习

    将图像上雨水去除的四种主流方法

    对应文章:(Luo Y, Xu Y, Ji H. Removing Rain from a Single Image via Discriminative Sparse Coding[C]// IEEE International Conference on Computer Vision. IEEE, 2016:3397-3405.)

    一个非常稀疏的C和一个最小基的集合D。这里的C我们叫做稀疏编码(sparse coder),这里的D我们叫做数据字典。

    一个矩阵,如果它有非常多个元素的值为"0",但是并不是全为零,而且这些零元素不是全部分布在一行上的,那么我们称这个矩阵是稀疏的。

    最小基是能够组成所有内容的最小组成部分。举个例子,将一张图片随机切割为一些小图片,然后从这些小图片中选一些图片,仅仅使用这些图片的倍数,就可以拼成原来的那张大图,则称这些小图片为这张大图的最小基集合,即数据字典

    通过观察测试的结果,我们可以认为这样的处理方法是非常有效的。但是它有一个缺点,就是当雨水和背景是非常相似的形状时,它是没办法分离开两者的(譬如带有雨水图案的墙壁和真实的雨水)(这有什么解决办法吗。。。)

    1.3基于图像处理的去雨方法

    链接同上
    对应文章:Single Image Haze Removal Using Dark Channel Prior

    首先,作者通过对图像的分析,发现了一个现象:在绝大多数非天空的局部区域里,某一些像素总会有至少一个颜色通道具有很低的值。换言之,该区域光强度的最小值是个很小的数。在这里,我们所说的颜色通道是指RGB三个颜色的通道。而且这个暗通道的数值应该是逼近于零的

    为了验证作者提出的这个理论,作者在论文中统计了5000多张图像的特性,发现基本符合了这一特征,因此,可以认定这是一条定理。

    可以发现,因为雾气的存在,暗通道值会变得非常的大,导致背景被遮挡住。

    大段数学推导,见上述链接,以及上述文章

    通过测试结果可以看到,本论文方法可以得到很好的效果,但是有一个缺点就是模型建立的太简单了,导致透射率太过粗糙。为了解决这个问题,该作者使用了导向滤波的方法求透射率,得到的结果非常好,而且速度非常快。

    1.4基于卷积神经网络的深度去雨

    见上述链接

    1.4.1什么是卷积神经网络(CNN)

    积神经网络是图像处理和视觉领域内非常热门的研究方向,因为CNN非常善于对图像的特征进行提取,是权值共享的,极大的减少了各层中的参数,从而能够很好的避免反向传播的时候出现梯度消失的现象。

    一个典型的卷积网络
    我们知道,每一层神经网络其实就是对一个输入的数据做了一个线性或者非线性的映射,类似于矩阵的乘法,每一个位置(神经元)都有一个权值,通过对输入的数据进行这样的映射后,就可以达到期望的效果。但是因为每一层都有非常多的神经元,同时神经网络可能有很多层,如果将一张2000*2000的图片传入这个神经网络,那么需要考虑的信息太多了,需要调整的参数也太多了,而且其中的一些参数对结果的影响是非常小的。所以为了解决这个问题,我们使用一个卷积核来对图像进行卷积操作。
    左边数输入的数据,中间是一个卷积核,右边是卷积核对输入图片的左上角进行卷积得到的结果。
    左边数输入的数据,中间是一个卷积核,右边是卷积核对输入图片的左上角进行卷积得到的结果。
    其实卷积核就是一个小的正方形矩阵,其大小、移动步数以及各个点的取值都是自定义的。所谓卷积操作,就是将这个卷积核在输入数据上滑动,滑动的同时,做点积运算,得到的结果就是一次卷积的结果:
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    上图即使对输入数据的第一行进行卷积元算得到的结果。
    其实可以把卷积核当作一个刷子,它对图片进行了一次模糊处理,去除了个别部位不重要的极端数据,而是模糊过滤出了小范围内的整体特征。随着网络结构进一步加深,卷积核矩阵提取的特征会越来越复杂,这时候特征结果人类往往理解不了,但是这是机器自己学习的,对结果影响最大的特征。
    当对图片进行五层的卷积后,得到的特征结果
    上图可以看到,当进行到第五层卷积的时候,机器对图片中边缘上的无用信息都忽略掉了,仅仅留下了图中最独特的部分。
    那么如何使用卷积神经网络来进行去雨的操作呢?
    我们知道,对于一个深度学习来说,最主要的是三个步骤:
    模型:所谓模型的建立,就是如何对输入数据进行函数映射,得到需要的结果。在这里,一个卷积神经网络即是一个模型。
    损失函数:对于损失函数我们该如何确定呢,要知道其实损失函数就是一个强迫神经网络向着预期的结果方向进行学习的约束,现在我们手上有一张相同物体的无雨图和有雨图,我们希望这张有雨的图通过神经网络处理后输出的结果无限的逼近无雨的图,即:
    优化:反向传播后更新权值:
    在这里插入图片描述 反向传播是一个链式法则的使用,现在热门的深度学习语言tensorFlow和pytorch都已经把反向传播权值更新这一优化步骤封装成一个函数了,可以无脑直接使用,但是具体的推导步骤和反向传播在神经网络中的具体计算方法,请移步:点击这里。(并没有链接)
    现在利用卷积神经网络进行去雨的操作就变成了这样:
    不断的重复上述2,3步骤,直到权值变化为0或者小于一个阀值。
    在这篇论文中,作者使用这种方法进行了实验:
    Fu X, Huang J, Ding X, et al. Clearing the Skies: A deep network architecture for single-image rain streaks removal[J]. IEEE Transactions on Image Processing, 2016, PP(99):1-1.
    在这里插入图片描述
    作者发现,仅仅经过CNN并不能得到非常理想的结果,缩进后发现雨水的细纹仍然没有去掉。原因是作者的神经网络不够复杂,造成了函数欠拟合(under -fitting)的情况。
    自然而然的,我们会考虑建立一个更加复杂的模型来增加神经网络的适用性。一般来说有两种方法:1.通过增加隐含层(hidden layers)来增加神经网络的深度,一般情况下,增加深度可以使网络获取更加深层次的特征,但是去雨是一个低等级的图像处理任务,不需要获取深度的图形特征,所以没有必要增加隐含层,而且增加隐含层容易导致梯度归零,从而导致结果坏掉,所以这里文章没有采取这样的方法。
    可以看到,在增加深度后,结果反而变差了
    可以看到,在增加深度后,结果反而变差了
    另一种方法是不增加隐含层,而是在每一层中增加神经元的数量。然而这么做需要更多的训练集进行训练、更加耗时,并且很容易造成over-fitting的情况。
    为了解决这个问题,文章采取了使用"detail image"来进行训练的方式。
    通过一个low-pass filter(来自论文:K. He, J. Sun, and X. Tang, “Guided image filtering,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 35, no. 6, pp. 1397– 1409, 2013.),我们可以得到一个base图像,这个base图像有一个特征:无雨图和有雨图在经过low-pass filter后产生的base image是相似的。
    因为base图是相似的,所以我们可以仅仅训练detial图,然后将训练后的detail图加上 base图即可得到较好的结果。(公式详见上述链接)
    原因是当原图中去除base图的部分后,发现剩下的detial图是是非常稀疏的。
    稀疏的训练集可以让卷积神经网络更容易、更快的收敛。所以我们使用这样的方法是有效且合理的。
    接着训练神经网络,结构如下:
    在这里插入图片描述
    其中,有两层卷积神经网络,还有一层全连接网络。
    我们需要卷积神经网络来进行feature extracting, 通过全连接网络来进行Reconstruction. 这些结构和一般的CNN相似。
    在多次训练后得到输出,接着我们可以直接将输出与base图相加。
    从而得到去雨后的效果图。
    在这里插入图片描述
    在对在结果的分析中发现,该图很好的去掉了雨的线条,但是针对雨雾的处理并不是很理想,为了解决这个问题,该作者使用了一些增强对比度的算法,当然也可以在建模的过程中考虑到雨雾的影响

    展开全文
  • 由于图像中的雨线条纹具有不同形状、尺寸且分布不均匀,单一神经网络学习分布不均匀的雨密度能力弱,去雨效果不显著,对此提出雨密度感知引导扩张网络对单张图片去除雨的方法。网络分为两部分:(1)雨密度感知网络对...
  • 主要是用于去除雨点的代码,效果非常好,是用python写的
  • 本文盘点CVPR 2020 所有图像去雨、去雾、去模糊的论文。去雨示意图:去雾示意图:去模糊示意图:作为底层图像处理任务,这三个方向有共同特点:现有技术无法真实模拟下雨、起雾、模糊,导致...

    本文盘点CVPR 2020 所有图像去雨、去雾、去模糊的论文。

    去雨示意图:

    去雾示意图:

    去模糊示意图:

    作为底层图像处理任务,这三个方向有共同特点:现有技术无法真实模拟下雨、起雾、模糊,导致算法训练中使用的合成数据集和真实图像降质有差异,所以这个领域经常出现实验效果很豪横,实际使用却被抱怨的情况。

    CVPR 2020中去雨方向 4 篇文章,去雾 3 篇,还有1篇去各种恶劣天气,去模糊 8 篇,大部分论文其实都是在解决上述实际应用中算法效果歇菜的问题。

    大家可以在:

    http://openaccess.thecvf.com/CVPR2020.py

    按照题目下载这些论文。

    如果想要下载所有CVPR 2020论文,请点击这里:

    CVPR 2020 论文全面开放下载,含主会和workshop

       图像去雨(Image Deraining

    提出一种基于高斯过程的半监督学习框架,使得网络在学习中使用合成数据集进行去雨训练时,同时使用未标注的真实世界图像,以使网络能更好地泛化。

    [1].Syn2Real Transfer Learning for Image Deraining Using Gaussian Processes

    作者 | Rajeev Yasarla, Vishwanath A. Sindagi, Vishal M. Patel

    单位 | 约翰斯霍普金斯

    代码 | https://github.com/rajeevyasarla/

    Syn2Real

    多尺度渐进融合网络用于单幅图像去雨

    [2].Multi-Scale Progressive Fusion Network for Single Image Deraining

    作者 | Kui Jiang, Zhongyuan Wang, Peng Yi, Chen Chen, Baojin Huang, Yimin Luo, Jiayi Ma, Junjun Jiang

    单位 | 武汉大学;北卡罗来纳大学夏洛特分校;伦敦国王学院;哈尔滨工业大学

    代码 | https://github.com/kuihua/MSPFN(尚未)

    提出采用双层并行网络来恢复去雨图像丢失的细节信息。与现有图像去雨工作不同,该方法将去雨和恢复细节视为并行独立的两个模块

    [3].Detail-recovery Image Deraining via Context Aggregation Networks

    作者 | Sen Deng, Mingqiang Wei, Jun Wang, Yidan Feng, Luming Liang, Haoran Xie, Fu Lee Wang, Meng Wang

    单位 | 南京航空航天大学;MIIT Key Laboratory of Pattern Analysis and Machine Intelligence;Microsoft Applied Sciences Group;岭南大学;香港教育大学;合肥工业大学

    代码 | https://github.com/Dengsgithub/DRD-Net(即将)

       图像去雾(Image Dehazing

    提出了一种基于U-Net架构的具有密集特征融合的多尺度增强去雾网络

    [4].Multi-Scale Boosted Dehazing Network With Dense Feature Fusion

    作者 | Hang Dong, Jinshan Pan, Lei Xiang, Zhe Hu, Xinyi Zhang, Fei Wang, Ming-Hsuan Yang

    单位 | 西安交通大学;南京理工大学;海康威视;加州大学默塞德分校;谷歌

    代码 | https://github.com/BookerDeWitt/MSBDN-DFF

    域适应 + 图像去雾,解决大部分去雾方法在合成数据集上优秀而真实数据集上歇菜的问题。

    [5].Domain Adaptation for Image Dehazing

    作者 | Yuanjie Shao, Lerenhan Li, Wenqi Ren, Changxin Gao, Nong Sang

    单位 | 华中科技大学;中科院

    代码 | https://github.com/HUSTSYJ/DA_dahazing

    知识蒸馏 + 去雾。先使用干净图像训练自编码网络作为teacher;将去雾网络作为student,使用teacher挖掘的干净图像的隐含特征和重建信息来指导有雾图像到干净图像的映射。

    [6].Distilling Image Dehazing With Heterogeneous Task Imitation

    作者 | Ming Hong, Yuan Xie, Cuihua Li, Yanyun Qu

    单位 | 厦门大学;华东师范大学

    双目图像 + 去雾。提出双目传输模块探索并编码双目图像对中的深度关系,无需进行计算复杂的视差估计,预测去雾模型中的透射图,进而同时恢复出清晰的双目图像对。

    [7].BidNet: Binocular Image Dehazing Without Explicit Disparity Estimation

    作者 | Yanwei Pang, Jing Nie, Jin Xie, Jungong Han, Xuelong Li

    单位 | 天津大学;英国华威大学;西北工业大学

       去模糊(Deblurring

    去模糊方法的训练使用的合成数据并不能真实模拟图像模糊。为了解决这个问题,该文提出了一种包含两种GAN模型的新方法,即学习模糊的GAN(BGAN)和学习去模糊的GAN(DBGAN)。第一个模型BGAN学习如何使用未配对的清晰和模糊图像集对清晰图像进行模糊处理,然后指导第二个模型DBGAN学习如何正确对此类图像进行模糊处理。

    [8].Deblurring by Realistic Blurring

    作者 | Kaihao Zhang, Wenhan Luo, Yiran Zhong, Lin Ma, Bjorn Stenger, Wei Liu, Hongdong Li

    单位 | 澳大利亚国立大学;腾讯AI实验室;Rakuten Institute of Technology;ACRV

    视频去模糊

    [9].Cascaded Deep Video Deblurring Using Temporal Sharpness Prior

    作者 | Jinshan Pan, Haoran Bai, Jinhui Tang

    单位 | 南京理工大学

    代码 | https://github.com/csbhr/CDVD-TSP

    运动去模糊

    [10].Learning Event-Based Motion Deblurring

    作者 | Zhe Jiang, Yu Zhang, Dongqing Zou, Jimmy Ren, Jiancheng Lv, Yebin Liu

    单位 | 商汤;四川大学;清华大学

    动态场景去模糊,使用光流引导训练的Spatially Variant反卷积

    [11].Efficient Dynamic Scene Deblurring Using Spatially Variant Deconvolution Network With Optical Flow Guided Training

    作者 | Yuan Yuan, Wei Su, Dandan Ma

    单位 | 西北工业大学

    自适应运动去模糊

    [12].Spatially-Attentive Patch-Hierarchical Network for Adaptive Motion Deblurring

    作者 | Maitreya Suin, Kuldeep Purohit, A. N. Rajagopalan

    单位 | 印度理工学院

    对噪声水平未知的图像去模糊

    [13].Variational-EM-Based Deep Learning for Noise-Blind Image Deblurring

    作者 | Yuesong Nan, Yuhui Quan, Hui Ji

    单位 | 新加坡国立大学;华南理工大学

    提出使用分析-合成网络对去模糊,分析网络估计模糊核,合成网络使用此模糊核去模糊。

    [14].Deblurring Using Analysis-Synthesis Networks Pair

    作者 | Adam Kaufman, Raanan Fattal

    单位 | 希伯来大学

    在非盲去模糊问题中,模糊核很多时候并不准确,该文探索在模糊核存在误差时的去模糊。

    [15].Deep Learning for Handling Kernel/model Uncertainty in Image Deconvolution

    作者 | Yuesong Nan, Hui Ji

    单位 | 新加坡国立大学

    去恶劣天气大一统模型,去雨、去雾、去雪一个框架搞定!

    [16].All in One Bad Weather Removal using Architectural Search

    作者 | Ruoteng Li, Robby T. Tan, Loong-Fah Cheong

    单位 | National University of Singapore,Yale-NUS College

    推荐阅读:

    END

    备注:质量

    图像增强与质量评价交流群

    图像增强、去雾、去雨、图像修补、图像恢复等技术,

    若已为CV君其他账号好友请直接私信。

    我爱计算机视觉

    微信号:aicvml

    QQ群:805388940

    微博知乎:@我爱计算机视觉

    投稿:amos@52cv.net

    网站:www.52cv.net

    在看,让更多人看到  

    展开全文
  • 收集的公开的关于视频图像去雨的几种源代码,仅供大家学习参考,严禁商业使用,按照作者要求进行合理使用,视频图像去雨是近几年比较热门的研究方向,欢迎大家互相交流学习
  • 北大去雨算法python版

    2018-10-19 09:20:50
    去雨算法的PYTHON实现, Rain streaks can severely degrade the visibility, which causes many current computer vision algorithms fail to work. So it is necessary to remove the rain from images. We ...
  • 针对传统图像去雨算法未考虑多尺度雨条纹及图像去雨后细节信息丢失的问题,提出一种基于多流扩张残差稠密网络的图像去雨算法,利用导向滤波器将图像分解为基础层和细节层。通过直接学习含雨图像细节层和无雨图像细节层...
  • 提出一种非相干字典学习及稀疏表示方法,并将其应用于单幅图像去雨。该方法在字典学习阶段,为降低有雨原子与无雨原子间的相似性,引入字典的非相干性,构建新的目标函数,不仅可以保证有雨字典与无雨字典的可分性,...
  • 去雾、去雨、去模糊是三个不同的方向,之前的盘点:CVPR 2020 论文大盘点-去雨去雾去模糊篇,引起了不少朋友的兴趣。本文盘点 ECCV 2020中去雾(Single Image D...

    去雾、去雨、去模糊是三个不同的方向,之前的盘点:CVPR 2020 论文大盘点-去雨去雾去模糊篇 ,引起了不少朋友的兴趣。


    本文盘点 ECCV 2020中去雾(Single Image Dehazing)、去雨(Deraining)、去模糊(Deblurring)相关论文,总计12篇,2 篇去雾、2 篇去雨、8 篇去模糊。6篇开源或将开源。

    下载包含这些论文的 ECCV 2020 所有论文:

    ECCV 2020 论文合集下载,分类盘点进行中

       图像去雾(Image Dehazing)

    HardGAN: A Haze-Aware Representation Distillation GAN for Single Image Dehazing

    作者 | Qili Deng, Ziling Huang, Chung-Chi Tsai, Chia-Wen Lin

    单位 | 台湾清华大学;字节跳动;高通公司

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123510715.pdf

    代码 | https://github.com/huangzilingcv/HardGAN(未)

    备注 | ECCV 2020

    所提出方法除了可以处理具有均匀雾度的图像,还可以很好地去除图像中密集的非均匀雾度。

    Physics-based Feature Dehazing Networks

    作者 | Jiangxin Dong, Jinshan Pan

    单位 | 马普所;南京理工大学

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123750188.pdf

    备注 | ECCV 2020

    基于物理特征的去雾模型。

       去雨(deraining)

    Rethinking Image Deraining via Rain Streaks and Vapors

    作者 | Yinglong Wang, Yibing Song, Chao Ma, Bing Zeng

    单位 | 电子科技大学;腾讯;上海交通大学

    论文 | https://arxiv.org/abs/2008.00823

    代码 | https://github.com/yluestc/derain(未开源)

    备注 | ECCV 2020

    重新思考雨水条纹和水汽模型成像机理的图像去雨。

    使用语义理解的立体图像去雨方法

    Beyond Monocular Deraining: Stereo Image Deraining via Semantic Understanding

    作者 | Kaihao Zhang, Wenhan Luo, Wenqi Ren, Jingwen Wang Fang Zhao, Lin Ma , Hongdong Li

    单位 | 澳大利亚国立大学;腾讯;中科院等

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123720069.pdf

    备注 | ECCV 2020

       去模糊 Deblurring

    图像盲去模糊

    Enhanced Sparse Model for Blind Deblurring

    作者 | Liang Chen, Faming Fang, Shen Lei, Fang Li, Guixu Zhang

    单位 | 华东师范大学

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123700630.pdf

    备注 | ECCV 2020

    高效时空RNN用于视频去模糊

    Efficient Spatio-Temporal Recurrent Neural Network for Video Deblurring

    作者 | Zhihang Zhong, Ye Gao, Yinqiang Zheng, Bo Zheng

    单位 | 东京大学;Tokyo Research Center

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123510188.pdf

    代码 | https://github.com/zzh-tech/ESTRNN

    备注 | ECCV 2020 Spotlight

    Multi-Temporal Recurrent Neural Networks For Progressive Non-Uniform Single Image Deblurring With Incremental Temporal Training

    作者 | Dongwon Park, Dong Un Kang, Jisoo Kim, Se Young Chun

    单位 | 韩国蔚山科技大学(UNIST)

    论文 | https://arxiv.org/abs/1911.07410

    备注 | ECCV 2020 Spotlight

    多尺度(MS)方法被广泛用于图像/视频的盲去模糊,特别对高空间比例的大型运动引起的严重模糊有效。

    本文研究 MS 的替代方案:multi-temporal (MT) 方法,用于非均匀单幅图像去模糊。MT方法在GoPro数据集上以最小的参数在PSNR方面优于最先进的MS方法。

    Learning Event-Driven Video Deblurring and Interpolation

    作者 | Songnan Lin, Jiawei Zhang, Jinshan Pan, Zhe Jiang, Dongqing Zou, Yongtian Wang, Jing Chen, Jimmy Ren

    单位 | 北京理工大学;商汤;南京理工大学

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123530681.pdf

    备注 | ECCV 2020

    学习事件驱动的视频去模糊和插值。

    Defocus Deblurring Using Dual-Pixel Data

    作者 | Abdullah Abuolaim, Michael S. Brown

    单位 | 约克大学;三星

    论文 | https://arxiv.org/abs/2005.00305

    代码 | https://github.com/Abdullah-Abuolaim/defocus-deblurring-dual-pixel

    主页 | https://www.eecs.yorku.ca/~abuolaim/

    eccv_2020_dp_defocus_deblurring/

    备注 | ECCV 2020

    使用深度学习对散焦图像去模糊,论文的关键贡献是构建了500个场景(2000幅图像)的训练数据集。其中每个场景都有:在大光圈下捕捉到的具有虚化模糊的图像, 两个相关的DP子光圈视图;以及用小光圈拍摄的相应全焦图像。

    数据、代码、模型均开源。

    非盲图像去模糊

    End-to-end Interpretable Learning of Non-blind Image Deblurring

    作者 | Thomas Eboli, Jian Sun, Jean Ponce

    单位 | 巴黎文理研究大学;西安交通大学

    论文 | https://arxiv.org/abs/2007.01769

    代码 | https://github.com/teboli/CPCR

    备注 | ECCV 2020

    Real-World Blur Dataset for Learning and Benchmarking Deblurring Algorithms

    作者 | Jaesung Rim, Haeyun Lee, Jucheol Won, Sunghyun Cho

    单位 | DGIST;浦项科技大学

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123700188.pdf

    代码 | https://github.com/rimchang/RealBlur

    备注 | ECCV 2020

    提出一个大规模的真实世界模糊图像和 ground truth 图像的数据集,用于学习和对单一图像去模糊方法的基准测试。

    图像盲去模糊

    OID: Outlier Identifying and Discarding in Blind Image Deblurring

    作者 | Liang Chen, Faming Fang, Jiawei Zhang, Jun Liu, Guixu Zhang

    单位 | 华东师范大学;商汤;东北师范大学

    论文 | https://www.ecva.net/papers/eccv_2020/

    papers_ECCV/papers/123700596.pdf

    备注 | ECCV 2020

    提出一种新策略,异常识别与丢弃(OID),在更新隐图像和模糊核的过程中,迭代识别和丢弃异常值。与最近的技术相比,该模型不需要任何 heuristic 边缘选择步骤或复杂的噪声过滤预处理。

    推荐阅读:

    CVPR 2020 论文大盘点-去雨去雾去模糊篇

    CVPR 2020 论文大盘点-图像增强与图像恢复篇

    最后分享一下我爱计算机官方视频号的最新动态,欢迎关注~

    备注:增强

    图像增强与质量评价交流群

    关注图像增强、去雾、去雨、图像修补、图像恢复等技术,

    若已为CV君其他账号好友请直接私信。

    我爱计算机视觉

    微信号:aicvml

    QQ群:805388940

    微博知乎:@我爱计算机视觉

    投稿:amos@52cv.net

    网站:www.52cv.net

    在看,让更多人看到  

    展开全文
  • 图像去雨去雾算法

    2020-03-11 18:07:45
    图像去雨去雾算法 输入输出接口 Input: (1)摄像头采集的实时图像视频分辨率(整型int) (2)摄像头采集的实时图像视频格式 (RGB,YUV,MP4等) (3)摄像头标定参数(中心位置(x,y)和5个畸变 系数(2径向,2...
  • 去雨方向工作概述(一)

    千次阅读 2019-12-02 17:18:57
    一个优秀的整理去雨文章的GitHub:戳我 较早以前的文章 这里大部分文章是传统方法或者视频去雨。 1.Automatic Single-Image-Based Rain Streaks Removal via Image Decomposition (2012 TIP) 基于图像分解的自动单幅...
  • 作者:Xia Li.et 发表会议:2018 ECCV Introduction ...他们提出了一种基于深度卷积和递归神经网络的新型深度网络体系结构,用于单图像去雨。由于背景信息对于雨水位置定位非常重要,因此首先采用扩
  • 视频图像去雨技术研究前沿,徐波,朱青松,户外视觉系统越来越广泛地应用于军事、交通以及安全监控等领域,但是恶劣天气严重影响了系统的性能,而下雨是最频繁的恶劣天气之��
  • 去雨总结(更新中)

    千次阅读 2020-01-06 19:00:05
    单张图像去雨问题 定义 常用数据集 指标 雨水模型 全监督方法 采用多阶段的方式或encoder-decoder的架构,用全卷积学习雨图到无雨图的映射或残差。目前论文中使用的模块大致可看作分别用于解决两个问题:定位雨水和...
  • 提出一种基于深度学习(卷积神经网络)的图像去雨框架,取得的效果优于已经存在的绝大多数方法
  • 这里是2017年一些顶会或顶刊上的一些去雨方向上的文章,做一个简略的记录。 2017 1.Error-optimized sparse representation for single image rain removal (2017 TIE) 基于误差优化稀疏表示的单幅图像去雨 文章...
  • 卷积神经网络去雾去雨方法 标题:A Convolutional Network for Joint Deraining and Dehazing from A Single Image for Autonomous Driving in Rain 作者:Hao Sun, Marcelo H. Ang Jr. and Daniela Rus 来源:IEEE/...
  • 本文盘点CVPR 2020 所有图像去雨、去雾、去模糊的论文。去雨示意图:去雾示意图:去模糊示意图:作为底层图像处理任务,这三个方向有共同特点:现有技术无法真实模拟下雨、起雾、模糊,导致算法训练中使用的合成数据...
  • 去雨去雾

    2020-10-20 22:00:04
    Earth-Mover 归一化的从一个分布...MAXI2​为图片可能的最大像素值,即255,MSE 原图与图的均方误差 2.SSIM (Structural SIMilarity)结构相似性 计算 将图片转化为 YCbCr 格式,计算PSNR,亮度 (luminance)...
  • 把传统方法去雨的稍微看一下摘要和方法,做了这三个概述。后面网络的方法仔细看 1.Transformedlow-rank (2017 ICCV) Transformed Low-Rank Model for Line Pattern Noise Removal. 基于变换低秩模型的线性噪声去除 ...
  • 图像去雨去雾算法输入输出接口Input:(1)摄像头采集的实时图像视频分辨率(整型int)(2)摄像头采集的实时图像视频格式 (RGB,YUV,MP4等)(3)摄像头标定参数(中心位置(x,y)和5个畸变系数(2径向,2切向,1...
  • 图像视频去雨的几种主流方法

    千次阅读 2018-11-01 17:11:48
    图像视频去雨的几种主流方法 对图像或者视频进行去噪的研究一直以来都是计算机视觉和图像处理领域内的一个重要课题。特别是在现实生活中,因为雨或者雪会对道路上的路况造成一定程度的遮挡,驾驶车辆行驶在下大雨或...
  • 图像去雨算法(基于卷积网络)

    千次阅读 2017-08-31 11:05:26
    图像去雨算法文章:https://pdfs.semanticscholar.org/bf10/3b3ea90f0d032d1d73dbb83ae41731ee006f.pdf相应的代码和论文 http://www.icst.pku.edu.cn/struct/Projects/joint_rain_removal.html首先雨图像的通用模型...
  • 去雾去雨

    千次阅读 2018-08-08 17:43:37
    基于retinex ... 《Single Image Haze Removal Using Dark Channel Prior》2009 2009年CVPR最佳论文 ...OPTIMIZED CONTRAST ENHANCEMENT FOR REAL-TIME IMAGE AND ...去雨 https://zhuanlan.zhihu.com/p/40844375
  • 首先通过下图感性认识一下图像中去雨是怎么回事 针对去雨问题已经提出了各种算法,当前算法主要存在的问题如下: 1)因为雨水和背景纹理的内在重叠性,当前大部分算法会平滑没有雨区域的纹理细节。 2)雨水在图像...
  • 在对靶果园喷雾中,对图像的预处理上可以进行去雾及去雨算法,在进行激光图像及实际图像匹配时或许有用,待更新

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,924
精华内容 2,769
关键字:

去雨