首页 > 其他分享> > CVPR 2020 论文大盘点-去雨去雾去模糊篇

CVPR 2020 论文大盘点-去雨去雾去模糊篇

2020-06-30 21:40:57 作者：互联网

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