CN116468625A - 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统 - Google Patents

基于金字塔高效通道注意力机制的单幅图像去雾方法和系统 Download PDF

Info

Publication number
CN116468625A
CN116468625A CN202310294813.5A CN202310294813A CN116468625A CN 116468625 A CN116468625 A CN 116468625A CN 202310294813 A CN202310294813 A CN 202310294813A CN 116468625 A CN116468625 A CN 116468625A
Authority
CN
China
Prior art keywords
image
defogging
images
feature
loss function
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.)
Pending
Application number
CN202310294813.5A
Other languages
English (en)
Inventor
左方
刘家萌
高铭远
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.)
Henan University
Original Assignee
Henan 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 Henan University filed Critical Henan University
Priority to CN202310294813.5A priority Critical patent/CN116468625A/zh
Publication of CN116468625A publication Critical patent/CN116468625A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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]
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明提供一种基于金字塔高效通道注意力机制的单幅图像去雾方法和系统。该方法包括：步骤1：构建图像去雾网络，图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像；步骤2：准确数据集并定义损失函数，基于损失函数使用数据集对图像去雾网络进行训练；步骤3：使用训练好的图像去雾网络对输入的雾霾图像进行去雾。

Description

基于金字塔高效通道注意力机制的单幅图像去雾方法和系统
技术领域
本发明涉及单幅图像去雾技术领域，尤其涉及一种基于金字塔高效通道注意力机制的单幅图像去雾方法和系统。
背景技术
鉴于卷积神经网络(CNN)在计算机视觉任务中的普遍成功，基于深度学习的去雾方法逐年涌现。与传统去雾方法相比，大多数基于深度学习的去雾方法(例如Li等人提出的AOD-Net网络“B.Li,X.Peng,Z.Wang,J.Xu,and D.Feng,“Aod-net:All-in-one dehazingnetwork,”in Proceedings of the IEEE international conference on computervision,2017,pp.4770-4778.3,5,6”)试图通过预测全局大气光值A和透射矩阵t(x)来进行雾霾图像的重建工作。
发明内容
为了能够在不依赖大气散射模型的情况下提高图像去雾的质量，本发明提供一种基于金字塔高效通道注意力机制的图像去雾方法和系统。
第一方面，本发明提供一种基于金字塔高效通道注意力机制的单幅图像去雾方法，包括：
步骤1：构建图像去雾网络，所述图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个所述特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像；
步骤2：准确数据集并定义损失函数，基于所述损失函数使用所述数据集对所述图像去雾网络进行训练；
步骤3：使用训练好的图像去雾网络对输入的雾霾图像进行去雾。
进一步地，所述特征提取单元依次包括一个卷积层、两个残差块和ECA模块。
进一步地，所述损失函数采用公式(1)所示的复合损失函数Ltotal：
Ltotal＝λ1L1+λ2L2+λ3L3 (1)
其中，λ1，λ2，λ3均为权重，L1为均方误差损失函数，L2为边缘感知损失函数，L3为TV损失函数，Jgt表示无雾清晰图像，表示预测的去雾图像，kl表示拉普拉斯算子，Conv表示卷积运算，Tanh表示Tanh激活函数，/>与/>分别表示生成图的像素在横轴方向和纵轴方向上的梯度幅值。
第二方面，本发明提供一种基于金字塔高效通道注意力机制的单幅图像去雾系统，包括：
图像去雾网络构建模块，用于构建图像去雾网络，所述图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个所述特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像；
训练模块，用于基于定义的损失函数使用准备好的数据集对图像去雾网络进行训练；
去雾模块，用于使用训练好的图像去雾网络对输入的雾霾图像进行去雾。
本发明的有益效果：
(1)本发明构建的图像去雾网络是一种端到端的去雾网络，不依赖于大气散射模型；
(2)本发明构建的图像去雾网络，先自底向上进行三个阶段的特征提取，得到三种不同大小的特征图，再自顶向下对上层的特征图进行上采样，最后利用级联层和侧向连接实现高低层的特征融合；其中，融合后的特征即具有深层特征图的丰富的语义信息，又具有浅层特征图的空间结构细节信息，大大提升了网络的去雾能力。
(3)在特征提取阶段，在每个特征提取单元的末端增加ECA模块，如此使得尾部ResBlock的特征馈送进入相应的ECA模块中，利用ECA模块选择性的捕获重要的通道以进行特征重建，最终能够有效地从不同层次学习低级和高级的特征进行图像去雾，进一步提高网络的去雾能力。
(4)基于本发明构建的复合损失函数，通过在RESIDE数据集上进行训练和测试。实验结果表明，本发明提出的去雾方案能够达到的去雾质量优于主流的端到端去雾方案。此外，由于网络模型的轻量型，该去雾方案可以作为一种有效的预处理方案，嵌入到其他的计算机视觉高层任务中，如航拍图像的目标检测，恶劣天气下的视频监控任务等。
附图说明
图1为本发明实施例提供的基于金字塔高效通道注意力机制的单幅图像去雾方法的流程示意图；
图2为本发明实施例提供的图像去雾网络的结构示意图；
图3为本发明实施例提供的基于金字塔高效通道注意力机制的单幅图像去雾系统的结构示意图；
图4为本发明实施例提供的去雾效果图：(a)雾霾图像(b)去雾后的图像(c)真实图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
大多数现有技术的单图像去雾方法需要利用大气散射模型(ASM)，本发明提供一种基于金字塔高效通道注意力机制的单幅图像去雾方法，构建的图像去雾网络采用完全端到端的训练方式，不依赖于大气散射模型，达到了更高去雾质量和去雾效率。
实施例1
如图1所示，本发明实施例提供一种基于金字塔高效通道注意力机制的单幅图像去雾方法，包括以下步骤：
S101：构建图像去雾网络；
具体地，如图2所示，构建的图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个所述特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像；其中，该特征提取单元依次包括一个卷积层、两个残差块和ECA模块。
作为一种可实施方式，本实施例采用的图像去雾网络的参数配置如表1所示。
表1网络结构参数配置
注：Conv表示卷积层，ResBlock表示残差块，ECA Attention表示ECA模块，Upsampling表示双线性上采样模块，Concatenation Layer表示级联层。ECA：EfficientChannel Attention，高效通道注意力。
本实施例中，特征提取过程由三个阶段组成。第一个特征提取阶段由一个1×1卷积层、两个ResBlock和一个ECA模块构成，在此阶段，将特征图的通道数增加到32；接下来的第二、第三个特征提取阶段均由步幅为2的1×1卷积层、两个ResBlock和一个ECA模块构成，不同的是它们分别将特征图的深度增加到64和128，并将特征特的分辨率降低一半。随着网络的加深，深层特征图的语义信息更加丰富，而浅层特征图则控制更多空间结构等细节信息。对于每个特征提取阶段，每一级尾部ResBlock的特征馈送进入相应的ECA模块中，选择性的捕获重要的通道以进行特征重建。
自顶向下的特征融合过程是通过双线性插值上采样的方式将顶层的小特征图，如第三个特征提取阶段的特征图放大到第二个特征提取阶段的特征图一样的大小，以此类推，第二个特征提取阶段的特征图也被放大到第一个特征提取阶段的特征图一样的大小。级联层和侧向连接的目的是将上一层经过上采样后和当前层分辨率一致的特征图，通过相加的方式进行融合，实现了将高层的语义信息传播到低层当中，增强了底层特征图的语义信息，提高了特征表示能力。
S102：准确数据集并定义损失函数，基于所述损失函数使用所述数据集对所述图像去雾网络进行训练；
具体地，采用公式(1)所示的复合损失函数Ltotal作为损失函数。
Ltotal＝λ1L1+λ2L2+λ3L3 (1)
其中，λ1，λ2，λ3均为权重，L1为均方误差损失函数，L2为边缘感知损失函数，L3为TV损失函数，Jgt表示无雾清晰图像，表示预测的去雾图像，kl表示拉普拉斯算子，Conv表示卷积运算，Tanh表示Tanh激活函数，/>与/>分别表示生成图的像素在横轴方向和纵轴方向上的梯度幅值。本实施例中，λ1＝1，λ2＝0.01，λ3＝2e-8。
在该复合损失函数中，均方误差损失函数L1用于估计清晰图像和预测的去雾图像之间像素的差异。均方误差损失函数L1由于没有考虑图像结构，在训练时往往会产生过于模糊的图像，边缘损失函数可以改善这一缺点，较好地考虑高频的纹理结构信息，提高去雾图像的细节表现，其作用原理为：首先，使用拉普拉斯算子kl的卷积运算Conv来获得清晰图像和去雾图像的边缘图像；然后，使用Tanh激活函数将边缘图像的值映射到[0，1]；最后，使用像素距离测量清晰边缘图像和去雾边缘图像之间的差异。TV损失函数则作为一种正则项，可以配合其他损失函数一起使用来保持图像的光滑性。通过降低TV loss可以一定程度上解决图片中相邻像素值的差异，比如约束图像的噪声。
在训练之前，使用高斯分布初始化对图像去雾网络的权重进行初始化。
本实施例中，使用RESIDE大规模合成数据集来训练和测试该图像去雾网络。RESIDE分为五个不同的子集：室内训练集(ITS)、室外训练集(OTS)、综合目标测试集(SOTS)、真实世界任务驱动测试集(RTTS)和混合主观测试集(HSTS)。ITS、OTS和SOTS是合成数据集，RTTS中的图像来自真实场景，而HSTS包含合成图像和真实世界图像。ITS包含由1399张清晰图像生成的13990张模糊图像，SOTS包含500张室内模糊图像和500张室外模糊图像。ITS和SOTS分别用作训练集和测试集。
在训练提出的网络时，所有图像都在RGB空间中处理。为了优化所提出的网络，采用Adam优化器，其中β1和β2的值分别为0.5和0.999。学习率设为0.0001。训练轮数设置为100，直至网络收敛。
S103：使用训练好的图像去雾网络对输入的雾霾图像进行去雾。
实施例2
本发明实施例提供一种基于金字塔高效通道注意力机制的单幅图像去雾系统，如图3所示，包括：图像去雾网络构建模块、训练模块和去雾模块。
图像去雾网络构建模块用于构建图像去雾网络，所述图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个所述特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像。训练模块用于基于定义的损失函数使用准备好的数据集对图像去雾网络进行训练。去雾模块用于使用训练好的图像去雾网络对输入的雾霾图像进行去雾。
需要说明的是，本发明实施例提供的去雾系统是为了实现上述方法实施例的，其功能具体可参考上述方法实施例，此处不再赘述。
为了评估本发明提出的去雾方案的性能，本发明还作了下述的对比实验。
(1)对比方法。
采用现有的DCP去雾算法、基于深度学习的MSCNN去雾算法和AOD-Net去雾算法这三种现有方法作为对比方法。
(2)评估指标。
对最终的去雾图像做定性评估和定量评估。对于定量评估，使用峰值信噪比(PSNR)和结构相似性指数(SSIM)进行评判。对于定性评估，将对雾霾图片和去雾后的图片做了视觉比较。
(3)实验过程。
对RESIDE数据集的SOTS子集的室内场景和室外场景进行去雾测试。
(4)实验结果。
在室内场景中，本发明方案的PSNR达到了24.4921，超过DCP去雾算法平均7％左右，超过MSCNN去雾算法平均5％左右，超过AOD-Net平均3％左右；本发明方案的SSIM指标达到0.9457，超过DCP平均12％，MSCNN平均8％，AOD-Net平均2％。
在室外场景中，本发明方案的PSNR达到了24.3571，相较前三个算法也有很大提升，其中，PSNR超出AOD-Net平均2.5％，SSIM超过AOD-Net2.7％左右。SOTS子集室外场景去雾后的图片与清晰图片的视觉效果对比见图4。
(5)其他实验。
将本发明与基于物理模型的传统算法，如DCP去雾算法，或与其他基于深度学习的相关的轻量级算法，如Light-dehaze去雾算法，AOD-Net算法进行对比试验，在显卡为Nvidia Titan XP的工作站上运行，本发明的方案对STRIDE数据集中的测试集进行去雾，DCP去雾算法平均耗时在1秒以上，Light-dehaze算法在0.37秒左右，AOD-Net算法平均耗时在0.09秒左右，本发明每幅图像去雾的平均运行时间不超过0.13秒。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.基于金字塔高效通道注意力机制的单幅图像去雾方法，其特征在于，包括：
步骤1：构建图像去雾网络，所述图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个所述特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像；
步骤2：准确数据集并定义损失函数，基于所述损失函数使用所述数据集对所述图像去雾网络进行训练；
步骤3：使用训练好的图像去雾网络对输入的雾霾图像进行去雾。
2.根据权利要求1所述的基于金字塔高效通道注意力机制的单幅图像去雾方法，其特征在于，所述特征提取单元依次包括一个卷积层、两个残差块和ECA模块。
3.根据权利要求1所述的基于金字塔高效通道注意力机制的单幅图像去雾方法，其特征在于，所述损失函数采用公式(1)所示的复合损失函数Ltotal：
Ltotal＝λ1L1+λ2L2+λ3L3 (1)
其中，λ1，λ2，λ3均为权重，L1为均方误差损失函数，L2为边缘感知损失函数，L3为TV损失函数，Jgt表示无雾清晰图像，表示预测的去雾图像，kl表示拉普拉斯算子，Conv表示卷积运算，Tanh表示Tanh激活函数，/>与/>分别表示生成图的像素在横轴方向和纵轴方向上的梯度幅值。
4.基于金字塔高效通道注意力机制的单幅图像去雾系统，其特征在于，包括：
图像去雾网络构建模块，用于构建图像去雾网络，所述图像去雾网络包括三个依次连接的特征提取单元、两个双线性上采样模块、两个级联层和一个卷积层；利用三个所述特征提取单元对输入的原始雾霾图像进行特征提取，得到三种大小的特征图；利用两个双线性上采样模块和两个级联层对三种大小的特征图自上而下进行融合得到融合后的特征图；融合后的特征图经过卷积层处理之后与原始雾霾图像进行逐像素相加得到去雾后的图像；
训练模块，用于基于定义的损失函数使用准备好的数据集对图像去雾网络进行训练；
去雾模块，用于使用训练好的图像去雾网络对输入的雾霾图像进行去雾。
CN202310294813.5A 2023-03-23 2023-03-23 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统 Pending CN116468625A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310294813.5A CN116468625A (zh) 2023-03-23 2023-03-23 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310294813.5A CN116468625A (zh) 2023-03-23 2023-03-23 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统

Publications (1)

Publication Number Publication Date
CN116468625A true CN116468625A (zh) 2023-07-21

Family

ID=87176251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310294813.5A Pending CN116468625A (zh) 2023-03-23 2023-03-23 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统

Country Status (1)

Country Link
CN (1) CN116468625A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590761A (zh) * 2023-12-29 2024-02-23 广东福临门世家智能家居有限公司 用于智能家居的开门状态检测方法及系统
CN117994167A (zh) * 2024-01-11 2024-05-07 太原理工大学 融合并行多卷积注意力的扩散模型去雾方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117590761A (zh) * 2023-12-29 2024-02-23 广东福临门世家智能家居有限公司 用于智能家居的开门状态检测方法及系统
CN117590761B (zh) * 2023-12-29 2024-04-19 广东福临门世家智能家居有限公司 用于智能家居的开门状态检测方法及系统
CN117994167A (zh) * 2024-01-11 2024-05-07 太原理工大学 融合并行多卷积注意力的扩散模型去雾方法

Similar Documents

Publication Publication Date Title
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
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
CN110210608B (zh) 基于注意力机制和多层次特征融合的低照度图像增强方法
CN116468625A (zh) 基于金字塔高效通道注意力机制的单幅图像去雾方法和系统
CN110544213B (zh) 一种基于全局和局部特征融合的图像去雾方法
CN111161360B (zh) 基于Retinex理论的端到端网络的图像去雾方法
CN108269244B (zh) 一种基于深度学习和先验约束的图像去雾系统
CN112465727A (zh) 基于HSV色彩空间和Retinex理论的无正常光照参考的低照度图像增强方法
CN110751612A (zh) 多通道多尺度卷积神经网络的单幅图像去雨方法
CN102243711A (zh) 一种基于邻域嵌套的图像超分辨率重建方法
CN107958465A (zh) 一种基于深度卷积神经网络的单幅图像去雾方法
CN111652812A (zh) 基于选择性注意力机制的图像去雾和去雨算法
CN114742719A (zh) 一种基于多特征融合的端到端图像去雾方法
CN116757988B (zh) 基于语义丰富和分割任务的红外与可见光图像融合方法
CN112419163B (zh) 一种基于先验知识和深度学习的单张图像弱监督去雾方法
CN113284070A (zh) 基于传递注意力机制的非均匀雾图去雾算法
CN112738533A (zh) 一种机巡图像分区域压缩方法
CN111369548A (zh) 一种基于生成对抗网络的无参考视频质量评价方法及装置
CN111539896A (zh) 一种基于域自适应的图像去雾方法及系统
CN117994167B (zh) 融合并行多卷积注意力的扩散模型去雾方法
Babu et al. An efficient image dahazing using Googlenet based convolution neural networks
CN113628143A (zh) 一种基于多尺度卷积的加权融合图像去雾方法及装置
CN107798676B (zh) 基于多尺度自然场景统计建立的无参考图像质量感知方法
CN116524387A (zh) 一种基于深度学习网络的超高清视频压缩损伤等级评估方法
CN115760640A (zh) 基于含噪Retinex模型的煤矿低光照图像增强方法

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