CV君作者

CVPR 2020 论文大盘点-去雨去雾去模糊篇

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

我爱计算机视觉
我爱计算机视觉

关注计算机视觉与机器学习技术的最前沿,“有价值有深度”,分享开源技术与最新论文解读,传播计算机视觉与机器学习技术的业内最佳实践。

理论图像处理论文CVPR 2020
相关数据
海康威视机构

海康威视是以视频为核心的智能物联网解决方案和大数据服务提供商。海康威视拥有视音频编解码、视频图像处理、视音频数据存储等核心技术,及云计算、大数据、深度学习等前瞻技术。为PBG(公共服务事业群)、EBG(企事业事业群) 、SMBG(中小企业事业群)三个事业群客户提供专业的细分产品、IVM智能可视化管理解决方案和大数据服务。

http://www1.hikvision.com/cn/index.html?jmode=j1
半监督学习技术

半监督学习属于无监督学习(没有任何标记的训练数据)和监督学习(完全标记的训练数据)之间。许多机器学习研究人员发现,将未标记数据与少量标记数据结合使用可以显着提高学习准确性。对于学习问题的标记数据的获取通常需要熟练的人类代理(例如转录音频片段)或物理实验(例如,确定蛋白质的3D结构或确定在特定位置处是否存在油)。因此与标签处理相关的成本可能使得完全标注的训练集不可行,而获取未标记的数据相对便宜。在这种情况下,半监督学习可能具有很大的实用价值。半监督学习对机器学习也是理论上的兴趣,也是人类学习的典范。

高斯过程技术

映射技术

映射指的是具有某种特殊结构的函数,或泛指类函数思想的范畴论中的态射。 逻辑和图论中也有一些不太常规的用法。其数学定义为:两个非空集合A与B间存在着对应关系f,而且对于A中的每一个元素x,B中总有有唯一的一个元素y与它对应,就这种对应为从A到B的映射,记作f:A→B。其中,y称为元素x在映射f下的象,记作:y=f(x)。x称为y关于映射f的原象*。*集合A中所有元素的象的集合称为映射f的值域,记作f(A)。同样的,在机器学习中,映射就是输入与输出之间的对应关系。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

知识蒸馏技术

Hinton 的工作引入了知识蒸馏压缩框架,即通过遵循“学生-教师”的范式减少深度网络的训练量,这种“学生-教师”的范式,即通过软化“教师”的输出而惩罚“学生”。为了完成这一点,学生学要训练以预测教师的输出,即真实的分类标签。这种方法十分简单,但它同样在各种图像分类任务中表现出较好的结果。

腾讯机构

腾讯科技股份有限公司(港交所:700)是中国规模最大的互联网公司,1998年11月由马化腾、张志东、陈一丹、许晨晔、曾李青5位创始人共同创立,总部位于深圳南山区腾讯大厦。腾讯由即时通讯软件起家,业务拓展至社交、娱乐、金融、资讯、工具和平台等不同领域。目前,腾讯拥有中国国内使用人数最多的社交软件腾讯QQ和微信,以及中国国内最大的网络游戏社区腾讯游戏。在电子书领域 ,旗下有阅文集团,运营有QQ读书和微信读书。

http://www.tencent.com/
推荐文章
暂无评论
暂无评论~