CN111539888A - 一种基于金字塔通道特征注意力的神经网络图像去雾方法 - Google Patents

一种基于金字塔通道特征注意力的神经网络图像去雾方法 Download PDF

Info

Publication number
CN111539888A
CN111539888A CN202010320431.1A CN202010320431A CN111539888A CN 111539888 A CN111539888 A CN 111539888A CN 202010320431 A CN202010320431 A CN 202010320431A CN 111539888 A CN111539888 A CN 111539888A
Authority
CN
China
Prior art keywords
image
defogging
feature
clear
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010320431.1A
Other languages
English (en)
Other versions
CN111539888B (zh
Inventor
张笑钦
王涛
王金鑫
赵丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN202010320431.1A priority Critical patent/CN111539888B/zh
Publication of CN111539888A publication Critical patent/CN111539888A/zh
Application granted granted Critical
Publication of CN111539888B publication Critical patent/CN111539888B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于金字塔通道特征注意力的神经网络图像去雾方法，包括以下步骤：构建图像去雾模型；获取有雾图像数据；利用图像去雾模型中的金字塔通道特征注意力模块将特征图进行动态融合，并利用注意力机制进行去雾处理；将去雾处理后的特征通过图像重构模块重构为清晰的无雾图像；计算恢复图像和对应清晰图像的均方误差和边缘损失，更新图像去雾模型；其中均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注图像细节结构，两种损失函数协作指导去雾模型达去雾性能。上述技术方案，对实际拍摄的雾图进行有效的去雾处理，恢复高质量图像。

Description

一种基于金字塔通道特征注意力的神经网络图像去雾方法
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于金字塔通道特征注意力的神经网络图像去雾方法。
背景技术
近年来，高级视觉任务例如目标跟踪、自动驾驶等取得了巨大的突破，随着研究进展，越来越多的研究人员致力于将研究成果落实到实际场景中，但由于实际场景中大雾、大雨等恶劣天气因素的影响，这些成果落地并未取得较为理想的效果。因此，研究如何在大雾等恶劣天气场景下恢复清晰图像成为高级视觉任务落地的必要之一。在大雾场景下，物体的反射光线在传播过程中，由于空气中悬浮的颗粒影响，图片在成像时色彩偏暗，纹理细节分辨率能力下降，因此，如何尽可能的恢复图像的色彩信息、物体纹理信息，并使得复原图像具有良好的视觉效果具有十分重要的意义。
图像去雾时一个典型的图像复原问题，其可以追溯到1924年，研究人员提出了经典的大气光散射模型，模型如下：
I＝tJ+A(1-t)
t(x)＝eβd(x)
其中，工为设备拍摄到的有雾图像，t是空气散射率，J为潜在的清晰图像，A为全球大气光，d表示物体成像的深度。上模型中，工为已知量，去雾算法需要将其他量检测出来，合成最终潜在的清晰图像，该问题是一个病态的问题。早期的去雾算法往往借助于人工设置的先验信息。例如，何凯明等人于2009年通过观察与数学统计发现在雾图中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有很低的像素值。根据这样的观察与统计，何凯明等人提出了暗通道先验(DCP，Dark Channel Prior)的去雾方法。从此，很多先验被研究人员例如颜色衰减先验(CAP，Color Attenuation Prior)、色差差异先验等提出，提高了模型去雾性能。然而不同的先验依赖于图像某一个特性的估计，在真实场景下这些先验信息往往失效且计算复杂。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种对实际拍摄的雾图进行有效的去雾处理，恢复高质量图像的基于金字塔通道特征注意力的神经网络图像去雾方法。
为实现上述目的，本发明提供了如下技术方案：一种基于金字塔通道特征注意力的神经网络图像去雾方法，包括以下步骤：
S1、构建图像去雾模型；其中，该图像去雾模型包括三尺度特征提取器、金字塔通道特征注意力模块和图像重构模块；
S2、获取有雾图像数据，利用三尺度特征提取器提取雾图三种不同尺度的特征图，其中不同尺度的特征图表示雾图受到雾影响不同的特征；
S3、利用图像去雾模型中的金字塔通道特征注意力模块将特征图进行动态融合，并利用注意力机制进行去雾处理；
S4、将去雾处理后的特征通过图像重构模块重构为清晰的无雾图像；
S5、计算恢复图像和对应清晰图像的均方误差和边缘损失，更新图像去雾模型；其中均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注图像细节结构，两种损失函数协作指导去雾模型达去雾性能。
作为优选的，步骤S5，具体包括：
对恢复的图像和对应的清晰图像计算均方误差和边缘损失，这两种损失具体为：
Figure BDA0002459745360000031
其中，C，H，W分别表示图像的通道数，高和宽；Iclear表示清晰的图像；Idehazed表示图像去雾模型恢复的图像；
Ledge＝||tan(Conv(Iclear，klaplace))-tan(Conv(Idehazed，klaplace))||1，
其中，Iclear表示清晰的图像；Idehazed表示图像去雾模型恢复的图像；tanh表示非线性激活函数tanh；klaplace表示拉普拉斯算子；||||1表示L1范数；
总的去雾模型损失函数为：
Ltotal＝Lmse+α*Ledge，
其中，α为超参数，用来平衡均方误差损失和边缘损失；均方误差损失指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型侧重学习清晰图像的细节结构，两种损失协同指导图像去雾模型达到优越的去雾性能。
作为优选的，步骤S2具体包括：
获取有雾图片，使用三尺度特征提取器提取三种不同尺度的特征，该特征提取器与其他方法的特征提取器最大的不同是无需提前训练且是轻量级的特征提取器；该提取器自下而上由三个部分组成，每个部分都是由一个3×3的卷积和连个连续的残差块，每经过一个部分特征图的大小减半，特征图的深度从32升到64再升到128；每个部分最后一层的特征出作为输出，三种特征分别代表了输入雾图低层、中层和高层的特征，这些特征表示图像语义越来越强。
作为优选的，步骤S3具体包括：
所述金字塔通道注意力模块从上到下，将由步骤S2输出的低层、中层和高层特征按高层，中层和底层的顺序交替融合，融合的过程中采用了通道注意力机制将不同的特征按照学习到的通道特征权重进行高效的融合，特征在融合的同时也不断在进行去雾处理。
作为优选的，步骤S3，所述金字塔通道注意力机制模块主要有4个通道注意力机制模块、2个3×3的卷积和特征拼接操作构成，其中通道注意力机制模块的功能为：
a).全局平均池化操作把二维特征图转化为实数；
b).使用两个卷积操作进行通道权重的学习；
c).使用门控非线性sigmoid激活函数；
d).使用尺度操作，将每个权重加到特征图上。
作为优选的，步骤S4具体包括：
所述图像重构模块包括一个3×3的卷积层构成，将去雾处理后的高维特征图重构为清晰的无雾图。
本发明的优点是：与现有技术相比，本发明具有如下有益效果：
1、与现有技术相比，本发明提出了三尺度特征提取器，该提取器能捕获图像不同尺度的底层空间结构特征和高层上下文特征；
2、与现有技术相比，本发明基于金字塔和通道注意力机制提出了上述金字塔特征注意力模块，该模块利用这两种机制可以有效地强调相互依赖的通道图，并以金字塔的方式有选择地聚合更重要的特征进行图像去雾。然后模型通过图像重构模块恢复更加清晰的图像；
3、本发明还提出了一种名为边缘损失的误差函数，帮助去雾模型捕获有雾图像中的几何信息，例如不同对象的形状、大小和位置，这对于恢复清晰的图像非常有益。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例的去雾流程图；
图2为本发明实施例的应用场景图；
图3为图2模型中核心组件通道注意力模块的应用场景图；
图4为图2的图像去雾模型中复原的图像与其他方法对比的效果图。
具体实施方式
参见图1至图4，本发明公开的一种基于金字塔通道特征注意力的神经网络图像去雾方法，包括以下步骤：
S1、构建图像去雾模型；其中，该图像去雾模型包括三尺度特征提取器、金字塔通道特征注意力模块和图像重构模块；
具体过程为，如图2所示，构建图像去雾模型。图像去雾模型包括三尺度特征提取器(如图2所示)、金字塔通道特征注意力模块(如图2所示)和图像重构模块(如图2所示)。
S2、获取有雾图像数据，利用三尺度特征提取器提取雾图三种不同尺度的特征图，其中不同尺度的特征图表示雾图受到雾影响不同的特征；
具体过程为，获取有雾图片，使用三尺度特征提取器提取三种不同尺度的特征，该特征提取器与其他方法的特征提取器最大的不同是无需提前训练且是轻量级的特征提取器。该提取器自下而上由三个部分组成，每个部分都是由一个3×3的卷积和连个连续的残差块，每经过一个部分特征图的大小减半，特征图的深度从32升到64再升到128。每个部分最后一层的特征出作为输出，三种特征分别代表了输入雾图低层、中层和高层的特征，这些特征表示图像语义越来越强；
S3、利用图像去雾模型中的金字塔通道特征注意力模块将特征图进行动态融合，并利用注意力机制进行去雾处理；
具体过程为，所述金字塔通道注意力模块从上到下，将由步骤S2输出的低层、中层和高层特征按高层，中层和底层的顺序交替融合，融合的过程中采用了通道注意力机制将不同的特征按照学习到的通道特征权重进行高效的融合，特征在融合的同时也不断在进行去雾处理。该金字塔通道注意力机制模块主要有4个通道注意力机制模块、2个3×3的卷积和特征拼接操作构成。其中通道注意力机制模块为核心组件，其中通道注意力机制模块的功能为：
a).全局平均池化操作把二维特征图转化为实数；
b).使用两个卷积操作进行通道权重的学习；
c).使用门控非线性sigmoid激活函数；
d).使用尺度操作，将每个权重加到特征图上。
S4、将上述去雾处理后的特征通过图像重构模块重构为清晰的无雾图像；
具体过程为，所述图像重构模块包括一个3×3的卷积层构成，将去雾处理后的高维特征图重构为清晰的无雾图。
S5、计算恢复图像和对应清晰图像的均方误差和边缘损失，更新图像去雾模型；其中均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注图像细节结构，两种损失函数协作指导去雾模型达去雾性能。
具体过程为，对恢复的图像和对应的清晰图像计算均方误差和边缘损失，这两种损失具体为：
Figure BDA0002459745360000061
其中，C，H，W分别表示图像的通道数，高和宽；Iclear表示清晰的图像；Idehazed表示图像去雾模型恢复的图像；
Ledge＝||tan(Conv(Iclear，klaplace))-tan(Conv(Idehazed，klaplace))||1，
其中，Iclear表示清晰的图像；Idehazed表示图像去雾模型恢复的图像；tanh表示非线性激活函数tanh；klaplace表示拉普拉斯算子；||||1表示L1范数；
总的去雾模型损失函数为：
Ltotal＝Lmse+α*Ledge，
其中，α为超参数，用来平衡均方误差损失和边缘损失；均方误差损失指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型侧重学习清晰图像的细节结构，两种损失协同指导图像去雾模型达到优越的去雾性能。
实际应用时，首先一张有雾的图像从上述三尺度提取器输入，利用该提取器提取图像有效的低、中、高层面的不同特征；
其次，将三尺度提取的三种特征输入到金字塔通道特征注意力模块，该金字塔通道特征注意力模块融合了特征金字塔和通道注意力机制，对输入的特征进行融合和去雾操作，并进行不同尺度和不同层面进行特征和通道的选择并高效地融合这些特征；
然后，利用上述图像重构模块将去雾后的特征从特征空间重构为清晰的无雾图；
最后，计算恢复图像和对应清晰图像的均方误差和边缘损失，更新图像去雾模型。其中均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注清晰图像细节结构，两种损失协作指导图像去雾模型达到优越的去雾性能。
本发明具有如下有益效果：
1、与现有技术相比，本发明提出了三尺度特征提取器，该提取器能捕获图像不同尺度的底层空间结构特征和高层上下文特征；
2、与现有技术相比，本发明基于金字塔和通道注意力机制提出了上述金字塔特征注意力模块，该模块利用这两种机制可以有效地强调相互依赖的通道图，并以金字塔的方式有选择地聚合更重要的特征进行图像去雾。然后模型通过图像重构模块恢复更加清晰的图像；
3、本发明还提出了一种名为边缘损失的误差函数，帮助去雾模型捕获有雾图像中的几何信息，例如不同对象的形状、大小和位置，这对于恢复清晰的图像非常有益。
上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (6)

1.一种基于金字塔通道特征注意力的神经网络图像去雾方法，其特征在于：包括以下步骤：
S1、构建图像去雾模型；其中，该图像去雾模型包括三尺度特征提取器、金字塔通道特征注意力模块和图像重构模块；
S2、获取有雾图像数据，利用三尺度特征提取器提取雾图三种不同尺度的特征图，其中不同尺度的特征图表示雾图受到雾影响不同的特征；
S3、利用图像去雾模型中的金字塔通道特征注意力模块将特征图进行动态融合，并利用注意力机制进行去雾处理；
S4、将去雾处理后的特征通过图像重构模块重构为清晰的无雾图像；
S5、计算恢复图像和对应清晰图像的均方误差和边缘损失，更新图像去雾模型；其中均方误差指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型关注图像细节结构，两种损失函数协作指导去雾模型达去雾性能。
2.根据权利要求1所述的一种基于金字塔通道特征注意力的神经网络图像去雾方法，其特征在于：步骤S5，具体包括：
对恢复的图像和对应的清晰图像计算均方误差和边缘损失，这两种损失具体为：
Figure FDA0002459745350000011
其中，C，H，W分别表示图像的通道数，高和宽；Iclear表示清晰的图像；Idehazed表示图像去雾模型恢复的图像；
Ledge＝||tan(Conv(Iclear，klaplace))-tan(Conv(Idehazed，klaplace))||1，
其中，Iclear表示清晰的图像；Idehazed表示图像去雾模型恢复的图像；tanh表示非线性激活函数tanh；klaplace表示拉普拉斯算子；|| ||1表示L1范数；
总的去雾模型损失函数为：
Ltotal＝Lmse+ɑ*Ledge，
其中，ɑ为超参数，用来平衡均方误差损失和边缘损失；均方误差损失指导图像去雾模型学习清晰图像的内容，边缘损失指导图像去雾模型侧重学习清晰图像的细节结构，两种损失协同指导图像去雾模型达到优越的去雾性能。
3.根据权利要求1所述的一种基于金字塔通道特征注意力的神经网络图像去雾方法，其特征在于：步骤S2具体包括：
获取有雾图片，使用三尺度特征提取器提取三种不同尺度的特征，该特征提取器与其他方法的特征提取器最大的不同是无需提前训练且是轻量级的特征提取器；该提取器自下而上由三个部分组成，每个部分都是由一个3×3的卷积和连个连续的残差块，每经过一个部分特征图的大小减半，特征图的深度从32升到64再升到128；每个部分最后一层的特征出作为输出，三种特征分别代表了输入雾图低层、中层和高层的特征，这些特征表示图像语义越来越强。
4.根据权利要求3所述的一种基于金字塔通道特征注意力的神经网络图像去雾方法，其特征在于：步骤S3具体包括：
所述金字塔通道注意力模块从上到下，将由步骤S2输出的低层、中层和高层特征按高层，中层和底层的顺序交替融合，融合的过程中采用了通道注意力机制将不同的特征按照学习到的通道特征权重进行高效的融合，特征在融合的同时也不断在进行去雾处理。
5.根据权利要求4所述的一种基于金字塔通道特征注意力的神经网络图像去雾方法，其特征在于：步骤S3，所述金字塔通道注意力机制模块主要有4个通道注意力机制模块、2个3×3的卷积和特征拼接操作构成，其中通道注意力机制模块的功能为：
a).全局平均池化操作把二维特征图转化为实数；
b).使用两个卷积操作进行通道权重的学习；
c).使用门控非线性sigmoid激活函数；
d).使用尺度操作，将每个权重加到特征图上。
6.根据权利要求1所述的一种基于金字塔通道特征注意力的神经网络图像去雾方法，其特征在于：步骤S4具体包括：
所述图像重构模块包括一个3×3的卷积层构成，将去雾处理后的高维特征图重构为清晰的无雾图。
CN202010320431.1A 2020-04-21 2020-04-21 一种基于金字塔通道特征注意力的神经网络图像去雾方法 Active CN111539888B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010320431.1A CN111539888B (zh) 2020-04-21 2020-04-21 一种基于金字塔通道特征注意力的神经网络图像去雾方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010320431.1A CN111539888B (zh) 2020-04-21 2020-04-21 一种基于金字塔通道特征注意力的神经网络图像去雾方法

Publications (2)

Publication Number Publication Date
CN111539888A true CN111539888A (zh) 2020-08-14
CN111539888B CN111539888B (zh) 2023-08-04

Family

ID=71975249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010320431.1A Active CN111539888B (zh) 2020-04-21 2020-04-21 一种基于金字塔通道特征注意力的神经网络图像去雾方法

Country Status (1)

Country Link
CN (1) CN111539888B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581409A (zh) * 2021-01-05 2021-03-30 西安理工大学 一种基于端到端的多重信息蒸馏网络的图像去雾方法
CN113344806A (zh) * 2021-07-23 2021-09-03 中山大学 一种基于全局特征融合注意力网络的图像去雾方法与系统
CN114022371A (zh) * 2021-10-22 2022-02-08 中国科学院长春光学精密机械与物理研究所 基于空间和通道注意力残差网络的去雾装置及其去雾方法
US20220222785A1 (en) * 2021-01-11 2022-07-14 Beihang University Image defogging method based on simulated polarization foggy scene data set
US12125178B2 (en) * 2021-01-11 2024-10-22 Beihang University Image defogging method based on simulated polarization foggy scene data set

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190005069A1 (en) * 2017-06-28 2019-01-03 Google Inc. Image Retrieval with Deep Local Feature Descriptors and Attention-Based Keypoint Descriptors
CN110084249A (zh) * 2019-04-24 2019-08-02 哈尔滨工业大学 基于金字塔特征注意的图像显著性检测方法
AU2020100274A4 (en) * 2020-02-25 2020-03-26 Huang, Shuying DR A Multi-Scale Feature Fusion Network based on GANs for Haze Removal

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190005069A1 (en) * 2017-06-28 2019-01-03 Google Inc. Image Retrieval with Deep Local Feature Descriptors and Attention-Based Keypoint Descriptors
CN110084249A (zh) * 2019-04-24 2019-08-02 哈尔滨工业大学 基于金字塔特征注意的图像显著性检测方法
AU2020100274A4 (en) * 2020-02-25 2020-03-26 Huang, Shuying DR A Multi-Scale Feature Fusion Network based on GANs for Haze Removal

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIU, X.,ET.AL: "GridDehazeNet: Attention-based multi-scale network for image dehazing" *
占哲琦;陈鹏;桑永胜;彭德中;: "融合双注意力的深度神经网络在无人机目标检测中的应用" *
段然;周登文;赵丽娟;柴晓亮: "基于多尺度特征映射网络的图像超分辨率重建" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112581409A (zh) * 2021-01-05 2021-03-30 西安理工大学 一种基于端到端的多重信息蒸馏网络的图像去雾方法
CN112581409B (zh) * 2021-01-05 2024-05-07 戚如嬅耳纹科技(深圳)有限公司 一种基于端到端的多重信息蒸馏网络的图像去雾方法
US20220222785A1 (en) * 2021-01-11 2022-07-14 Beihang University Image defogging method based on simulated polarization foggy scene data set
US12125178B2 (en) * 2021-01-11 2024-10-22 Beihang University Image defogging method based on simulated polarization foggy scene data set
CN113344806A (zh) * 2021-07-23 2021-09-03 中山大学 一种基于全局特征融合注意力网络的图像去雾方法与系统
CN114022371A (zh) * 2021-10-22 2022-02-08 中国科学院长春光学精密机械与物理研究所 基于空间和通道注意力残差网络的去雾装置及其去雾方法
CN114022371B (zh) * 2021-10-22 2024-04-05 中国科学院长春光学精密机械与物理研究所 基于空间和通道注意力残差网络的去雾装置及其去雾方法

Also Published As

Publication number Publication date
CN111539888B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Engin et al. Cycle-dehaze: Enhanced cyclegan for single image dehazing
Yang et al. Proximal dehaze-net: A prior learning-based deep network for single image dehazing
CN111915530B (zh) 一种基于端到端的雾霾浓度自适应神经网络图像去雾方法
CN111915531B (zh) 一种多层次特征融合和注意力引导的神经网络图像去雾方法
CN111709895A (zh) 基于注意力机制的图像盲去模糊方法及系统
CN111062892B (zh) 一种基于复合残差网络和深层监督的单幅图像去雨方法
CN103413286B (zh) 一种基于学习的高动态范围与高分辨率图像联合重建方法
CN110443892B (zh) 一种基于单张图像的三维网格模型生成方法及装置
CN111539888B (zh) 一种基于金字塔通道特征注意力的神经网络图像去雾方法
CN112733950A (zh) 一种基于图像融合与目标检测结合的电力设备故障诊断方法
CN110889844B (zh) 一种基于深度聚类分析的珊瑚分布及健康状况评估方法
CN108269244B (zh) 一种基于深度学习和先验约束的图像去雾系统
CN111652812A (zh) 基于选择性注意力机制的图像去雾和去雨算法
CN109272447A (zh) 一种深度图超分辨率方法
Chen et al. Multi-scale adaptive dehazing network
CN111539896A (zh) 一种基于域自适应的图像去雾方法及系统
CN114463218A (zh) 一种基于事件数据驱动的视频去模糊方法
CN112419191A (zh) 基于卷积神经网络的图像运动模糊去除方法
CN110889868B (zh) 一种结合梯度和纹理特征的单目图像深度估计方法
CN114004766A (zh) 一种水下图像增强方法、系统和设备
CN115115685A (zh) 一种基于自注意力神经网络的单目图像深度估计算法
Zheng et al. Overwater image dehazing via cycle-consistent generative adversarial network
Siddiqua et al. MACGAN: an all-in-one image restoration under adverse conditions using multidomain attention-based conditional GAN
CN111881925B (zh) 一种基于相机阵列选择性光场重聚焦的显著性检测方法
Li et al. ConvFormerSR: Fusing transformers and convolutional neural networks for cross-sensor remote sensing imagery super-resolution

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant