- 博客(72)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 论文阅读：FFA-Net: Feature Fusion Attention Network for Single Image Dehazing
代码：https://github.com/zhilin007/FFA-Net目录1. 摘要2. 网络结构2.1 Feature Attention(FA)Channel Attention(CA)Pixel Attention(PA)2.2 Basic Block Structure2.3 Group Architecture and Global Residual Learning2.4 Feature Fusion Attention3. 损失函数4. 读后感1. 摘要 本文提出了Fea.
2020-10-19 20:00:54
4664
2
原创 PyTorch神经网络框架
目录1. 变量封装2. 获取训练/测试集3. 网络框架4. 训练5. 测试6. 主函数1. 变量封装 为了方便管理项目中众多变量，将所有变量封装到一个对象中，需要用到时直接从该对象中获取。使用argparse封装变量。封装变量可以单独创建一个py文件，取名为arg_parser.py。代码如下：#!/usr/bin/env python# -*- coding:utf-8 -*-import argparseparser = argparse.ArgumentParser(d
2020-10-17 09:13:03
1168
11
原创 论文阅读：HardGAN: A Haze-Aware Representation Distillation GAN for Single Image Dehazing
代码：https://github.com/huangzilingcv/HardGAN目录1. 摘要2. 网络结构GeneratorHARD模块3. 损失函数3.1 Adversarial Loss3.2 Smooth L1L1L1 Loss3.3 Perceptual Loss4. 其余部分5. 总结1. 摘要 本文提出了Haze-Aware Representation Distillation GAN(HardGAN)，用于单幅图像去雾。2. 网络结构 下图1展示了生成器结构。.
2020-10-14 16:51:08
2358
原创 论文阅读：FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing
目录
2020-09-29 09:05:02
2124
原创 论文阅读：Multi-Scale Boosted Dehazing Network with Dense Feature Fusion
代码：https://github.com/BookerDeWitt/MSBDN-DFF目录1. 摘要2. 提出的方法2.1 Multi-Scale Boosted Dehazing Network2.2 SOS Boosted Module1) Boosting in image dehazing2) Deep boosted dehazing network3) Alternatives to SOS boosted module2.3 Dense Feature Fusion Module2.4 .
2020-09-24 10:11:39
5204
12
原创 Color Cast Dependent Image Dehazing via Adaptive Airlight Refinement and Non-linear Color Balancing
又给我来一个这么有挑战的题目，上次多两个字符，把“阅读”二字删除了，这次多了四个字符，只能把“论文阅读”删除了。目录1. 摘要2. 提出的方法2.1 Hazy Image Classification as Color Cast or Non-cast1. 摘要2. 提出的方法 本文提出的方法的流程图如图1所示。图1 方法流程图 方法包括六个模块，分别为分类，颜色平衡，DCP计算，大气光估计和校准，传输率图估计以及清晰图像计算。2.1 Hazy Image Classi.
2020-09-15 10:34:35
945
6
原创 论文阅读：Enhanced Pix2pix Dehazing Network
代码：https://github.com/ErinChen1/EPDN目录1. 摘要2. 网络结构2.1 Multi-resolution generator2.2 Multi-scale discriminator2.3 Enhancer3. 损失函数3.1 Adversarial Loss3.2 Feature Matching Loss3.3 Perceptual Loss3.4 Fidelity Loss4. 训练过程5. 读后感1. 摘要 本文提出了Enhanced Pix2pix.
2020-09-14 08:59:03
3010
6
原创 论文阅读：Densely Connected Pyramid Dehazing Network
代码：https://github.com/hezhangsprinter/DCPDN目录1. 摘要2. 网络结构2.1 Pyramid Densely Connected Transmission Map Estimation2.2 Atmospheric Light Estimation Network2.3 Joint Discriminator3. 损失函数3.1 GAN优化目标3.2 边界感知损失3.3 总损失函数4. 读后感1. 摘要 本文提出了Densely Connected .
2020-09-12 11:17:44
3088
2
原创 论文阅读：Dehaze-GLCGAN: Unpaired Single Image Dehazing Via Adversarial Training
目录1. 摘要2. 网络结构2.1 整体结构2.1 网络详情1) 生成器2) 判别器3. 损失函数3.1 对抗损失3.2 循环一致性损失3.3 颜色损失3.4 循环感知损失3.5 总损失4. 读后感1. 摘要 本文提出了一个名为Global-Local Cycle-consistent Generative Adversarial Network（Dehaze-GLCGAN）的去雾网络。该网络包含两个生成器和四个判别器。两个生成器分别用于从雾图产生去雾图和从无雾图产生雾图。四个判别器，两个为全局.
2020-09-10 15:12:42
1254
4
原创 论文阅读：Multi-scale Optimal Fusion model for single image dehazing
代码：https://github.com/phoenixtreesky7/mof_dehazing目录1. 摘要2. 提出的方法2.1 大气散射模型和暗通道先验2.2 MOF1) 获取Wtme\boldsymbol{W}_{t m e}Wtme&Wtme‾\boldsymbol{W}_{\overline{t m e}}Wtme1. 摘要 逐像素（pixel-wise）估计传输率图会导致过饱和，而逐块（patch-wise）估计会导致边缘的传输率错误估计（Transmission.
2020-09-08 19:40:10
1038
1
原创 论文阅读：Fast Single Image Dehazing Using Saturation Based Transmission Map Estimation
代码在文末给出，因为只有一个py文件。该代码是作者给出的。目录1. 提出的方法1.1 大气散射模型1.2 传输率图公式1.3 传输率图估计1.4 估计场景辐射得饱和度1.5 处理颜色偏色1.6 大气光估计1.7 算法总结2. 实验结果3. 读后感4. 代码1. 提出的方法1.1 大气散射模型 大气散射模型：H(x)=t(x)J(x)+[1−t(x)]A(1)\mathbf{H}(x)=t(x) \mathbf{J}(x)+[1-t(x)] \mathbf{A} \tag{1}H(x)=.
2020-09-06 09:02:45
1786
6
原创 论文：Transmission Map and Atmospheric Light Guided Iterative Updater Network for Single Image Dehazing
项目主页：https://aupendu.github.io/iterative-dehaze（代码暂未公布）博客题目：论文阅读：Transmission Map and Atmospheric Light Guided Iterative Updater Network for Single Image Dehazing(由于博客题目有100个字符的限制，而上述题目102个字符（不信你数数），所以题目只能去掉阅读二字)目录1. 摘要2. 网络结构2.1 Transmission Map Esti.
2020-09-04 16:43:07
1492
2
原创 论文阅读：DehazeNet: An End-to-End System for Single Image Haze Removal
代码(MATLAB)：https://github.com/caibolun/DehazeNet代码(PyTorch)： https://github.com/thuBingo/DehazeNet_Pytorch目录1. 摘要2. 雾相关特征2.1 Dark Channel2.2 Maximum Contrast2.3 Color Attenuation2.4 Hue Disparity1. 摘要 本文提出了一种称为DehazeNet\mathrm{DehazeNet}DehazeNet的可.
2020-09-03 14:25:25
4273
2
原创 论文阅读：Visibility in BadWeather from a Single Image（未完）
目录1. 摘要2. 光学模型2.1 色度定义2.2 大气光2.3 大气光白化3. 问题定义转换成求AAA4.4.1 最大化对比度4.2 大气光平滑约束1. 摘要 本文提出的方法基于两个基本观察结果：首先，视觉效果好的图像（或晴天图像）比受恶劣天气影响的图像具有更高的对比度；其次，主要取决于物体到摄像机距离的大气光，在全局而言是平滑的。依靠这两个观察，本文在马尔可夫随机场的框架中开发了一个成本函数，可以通过各种技术（例如图割或置信传播）有效地优化该函数。该方法不需要输入图像的几何信息，并且适用于彩.
2020-09-02 19:29:19
1325
1
原创 论文阅读：Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing
代码：https://github.com/engindeniz/Cycle-Dehaze目录1. 摘要2. Cycle\mathrm{Cycle}Cycle-Dehaze\mathrm{Dehaze}Dehaze2.1 Full objective of CycleGAN1) Adversarial Loss2) Cycle Consistency Loss3) Full objective of CycleGAN2.2 Cyclic perceptual-consistency Loss2.3 F.
2020-09-01 16:46:20
3132
原创 CSDN写作常用Markdown语法
本文用于记录CSDN写作时，常用的Markdown语法。(持续更新)目录1. 首行缩进2. 公式2.1 常用符号2.2 常用技巧1) 公式编号2) 求和等上下标3) 公式对齐1. 首行缩进    2. 公式行内公式：$公式$单行公式：$$公式$$2.1 常用符号https://www.luogu.com.cn/blog/IowaBattleship/latex-gong-shi-tai-quan2.2 常用技巧1)
2020-09-01 09:06:24
217
原创 论文阅读：Domain Adaptation for Image Dehazing
代码：https://github.com/HUSTSYJ/DA_dahazing目录1. 摘要2. 网络结构2.1 概述2.2 图像迁移模块2.3 去雾模块3. 损失函数3.1 图像迁移损失1. 摘要 近年来，使用基于学习的方法进行图像去雾已取得了最先进的性能。但是，由于域迁移，大多数现有在合成数据集上训练的去雾网络，都无法很好的解决真实雾图的去雾。为了解决这个问题，本文提出了一种领域适应模型，它由一个图像迁移模块和两个图像去雾模块组成。具体来说，首先应用双向迁移网络，通过将图像从一个域转换.
2020-08-31 09:53:02
2176
12
原创 论文阅读：You Only Look Yourself: Unsupervised and Untrained Single Image Dehazing Neural Network
代码目前还未公布，但是作者在文章中声明会开源。目录1. 摘要2. 网络结构及损失函数2.1 the Top layer of YOLY2.2 J-Net2.3 T-Net2.4 A-Net3. 损失函数1. 摘要 本文研究了单幅图像去雾中的两个具有挑战性和较少接触的问题，即如何在不训练Ground-Truth图像（无监督）和图像集合（未经训练）的情况下使深度学习实现图像去雾。本文提出了一种新颖的方法，称为“You Only Look Yourself”（YOLY），它可能是第一个用于图像去雾的.
2020-08-29 11:17:58
1519
原创 论文阅读：A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior
CAP颜色衰减先验观察原理颜色衰减先验观察人类大脑不需要任何额外信息，就可以很轻松的分辨出一幅图像中的有雾区域。这启发了我们对各种模糊图像进行大量的实验，以寻找统计规律，寻找新的单图像去雾先验。有趣的是，我们发现有雾图像中像素的亮度和饱和度随着雾浓度的变化而急剧变化。图2给出了一个自然场景的例子，展示了模糊图像中像素的亮度和饱和度是如何变化的。如图2（d）所示，在无雾区域，场景的饱和度很高，亮度适中，亮度和饱和度的差值接近于零。但从图2（c）可以看出，在薄雾的影响下，斑块的饱和度急剧下降，而场景的
2020-08-27 17:35:53
4298
2
原创 论文阅读：Non-Local Image Dehazing
代码：https://github.com/danaberman/non-local-dehazing本文中关于雾线的思想，和Meng（BCCR）方法中“推向论”的思想有异曲同工之妙。目录1. 摘要2. 先验3. 去雾方法3.1 Finding Haze-Lines3.2 Estimating Initial Transmission3.3 Regularization3.4 Dehazing3.5 中间结果4. 实验结果5. 总结6. 读后感1. 摘要 本文提出了一种基于Non-Local.
2020-08-26 20:17:57
5171
5
原创 论文阅读：Efficient Image Dehazing with Boundary Constraint and Contextual Regularization
这篇文章便是去雾界鼎鼎大名的Meng（BCCR）方法。这篇博客是我自己的一点理解和心得，有错误之处还请各位读者指出。代码：https://github.com/gfmeng/imagedehaze目录1. 摘要2. 先验A. Boundary Constraint from Radiance Cube1) 求tb(x)t_b(x)tb(x)2) 求t(x)t(x)t(x)B. Weighted L1L_1L1-norm based Contextual Regularization3. 传输率估计.
2020-08-22 09:34:31
3446
5
原创 论文阅读：Learning to Dehaze From Realistic Scene with A Fast Physics Based Dehazing Network
代码：https://github.com/liruoteng/3DRealisticSceneDehaze（未公布）1. 摘要基于学习的方法需要有雾图和ground-truth作为学习的数据集，但是通常不太可能捕捉到真实的这类数据。现在许多研究通过使用大气散射模型在普通RGBD数据集上合成雾图和ground-truth对的数据集。然而，由于高质量深度的大型数据集大多是室内的，室外的深度图不精确，合成数据集与真实的模糊图像之间仍存在差距。本文用一个新的，大量的，多样的高清3D视频中的真实室外场景的数据.
2020-08-19 20:26:07
945
2
原创 论文阅读：Semi-Supervised Image Dehazing
论文及代码：https://sites.google.com/view/lerenhanli/homepage/semi_su_dehazing目录1. 摘要2. 半监督方法2.1 网络结构2.2 损失函数2.2.1 监督损失1) Mean Squared Loss2) Perceptual Loss3) Adversarial Loss2.2.2 无监督损失1) Total Variation Loss2) Dark Channel Loss2.2.3 Overall Loss3. 实验结果4. 结论.
2020-08-19 08:59:44
1925
原创 论文阅读：GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing
论文及代码详见： 目录1. 摘要2. GridDehazeNet2.1 网络结构2.2. 通道注意力的特征融合2.3 损失函数2.3.1 Smooth L1L_1L1 Loss2.3.2 Perceptual Loss2.3.3 Total Loss实验结果1. 摘要文章提出了一种端到端可训练的CNN，即GridDehazeNet。GridDehazeNet包含三个模块：预处理模块，主干模块和后处理模块。可训练的预处理模块相比手工选择的预处理方法，可以产生具有更好的多样性和更有针对性的输入。主干模块.
2020-08-18 20:23:38
3620
原创 Python字符串排序的两种方法详解
Python中没有直接对字符串排序的方法，下面介绍两种方法对字符串进行排序。第一种方法，将字符串转换成数组，对数组排序后，再转换成字符串。代码如下：#!/usr/bin/env python# -*- coding:utf-8 -*-def main(): # 字符串 s = "HelloWorld!" # 转换成数组 l = list(s) # 对数组...
2019-10-25 11:07:43
31334
4
原创 李宏毅GAN课程课后作业HW3_1(二次元头像生成，Keras实现)
初学GAN，有什么错误还请各位大佬指正，共同学习进步。实现所需要的资源：链接：https://pan.baidu.com/s/1cTVi1xj4Tzx_6isOi5XYXQ&shfl=sharepset提取码：ucbf这里只说实现，原理请看李宏毅老师的课程。先来看看模型框架：需要说明一下，老师给出的模型中，Discriminator的输入图片的规格为(64, 64, 3)，而给...
2019-10-21 10:37:00
4916
20
原创 MATLAB内置函数之meshgrid()
今天学了一个很牛的MATLAB内置函数——meshgrid()。其语法如下：[X, Y] = meshgrid(c, r)c 和 r 都是一维数组，X和Y 都是二维数组，规模是一样但是内容不一样。X和Y的规模是这样的：以 c 的长度作为列数，以 r 的长度作为行数。X的内容是这样的：X的每一列都是同一元素，与 c 对应的列数下标的元素一致；Y的内容是这样的：Y的每一行都是同一元素，与 r 对应...
2019-07-25 16:27:32
591
原创 MATLAB常用内置函数
mean2(img)：计算图像灰度平均值。mean(arr)：计算数组平均值。mean(img)：将图像的列当作向量处理，求每一列的平均值，在组合成一个行向量。a = [1, 2, 3; 6, 5, 4; 7, 8, 9];b = mean(a);% b = [4.6667, 5.0000, 5.3333]numel(arr)：求数组的元素数，一维二维均可。...
2019-07-25 15:15:37
1903
原创 数字图像处理实验之梯度增强边缘
只提供代码，不提供思路，思路看课本。主函数：% 读入图像img_1 = imread('Fig0342(a)(contact_lens_original).tif');% Sobel模板model_1 = [-1, -2, -1; 0, 0, 0; 1, 2, 1];model_2 = [-1, 0, 1; -2, 0, 2; -1, 0, 1];% 调用函数处理img_2 = ...
2019-07-23 15:49:18
1609
2
原创 数字图像处理实验之拉普拉斯算子锐化图像
代码如下：主函数：% 输入图像img_1 = imread('Fig0338(a)(blurry_moon).tif');% 两种拉普拉斯模板model_1 = [0, 1, 0; 1, -4, 1; 0, 1, 0];model_2 = [1, 1, 1; 1, -8, 1; 1, 1, 1];% 调用函数[img_2, img_3] = m_13_Sharpening_La...
2019-07-21 15:45:48
6181
4
原创 数字图像处理实验之中值滤波器
代码如下：主函数：% 输入图像img_1 = imread('Fig0335(a)(ckt_board_saltpep_prob_pt05).tif');[r, c] = size(img_1);% 滤波器大小m = 3;% 作用参考我的上一篇博客img_1s = m_10_Smooth_create_img(img_1, r, c, m - 1);img_2 = m_10_S...
2019-07-19 17:23:54
746
原创 数字图像处理实验之平滑线性滤波应用
代码如下：主函数：% 输入图像img_1 = imread('Fig0334(a)(hubble-original).tif');[r, c] = size(img_1);% 滤波器模板m = 15;% 作用看我上一篇博客img_1s = m_10_Smooth_create_img(img_1, r, c, m - 1);img_2 = m_10_Smooth_process...
2019-07-19 16:33:50
791
原创 数字图像处理实验之平滑线性滤波器
代码如下：主函数：% 输入图像img_1 = imread('Fig0333(a)(test_pattern_blurring_orig).tif');% 获取尺寸[r, c] = size(img_1);%模板尺寸m_s =[3, 5, 9, 15, 35];%显示原图subplot(231), imshow(img_1);% 获取模板个数[~, len] = size(...
2019-07-19 15:55:41
2094
原创 数字图像处理实验之比特平面重构
实验代码如下：% 读取图像img_1 = imread('Fig0314(a)(100-dollars).tif');% 获取图像尺寸[r, c] = size(img_1);% 创建8比特平面img_s = zeros(r, c, 8);for x = 1 : r for y = 1 : c % 将灰度转换成二进制 str = dec2bin...
2019-07-18 14:08:10
1181
原创 数字图像处理实验之比特平面分层
其实书本里讲的不是很清楚，我在这里用大白话的形式介绍一个比特平面分层的意思。这里用书中例子，100美元的图像来说明。图像是256级灰度图像，其中一个像素点是由8比特组成的，8比特图像由8个1比特平面组成，每个比特平面都是二值图像。例如灰度为194的像素点a，转换成二进值为 1 1 0 0 0 0 1 0，其中从左往右分别对应为 8 7 6 5 4 3 2 1 比特平面。每个比特平面中a像素点的值取...
2019-07-17 17:12:16
2790
原创 数字图像处理实验之对比度拉伸
一幅图像中，最高灰度级和最低灰度级的差成为对比度。一幅低对比度的图像，看起来细节会少很多。可以通过对比度拉伸提高图像对比度，显示更多细节。先来看看对比度拉伸的典型变换：书本中（冈萨雷斯：数字图像处理第三版P69）的对比度拉伸变换函数图是这样的：图3.10(b)低对比度拉伸图中，最低灰度级为91，最高灰度级为138，并且要将灰度值拉伸至[0, 255]。阈值处理的函数的图像即为P64图3.2...
2019-07-17 15:38:42
7918
3
原创 数字图像处理实验之伽马变换
伽马变换的效果和对数变化的效果类似。伽马变换的基本形式为：对于不同的gamma值，s与r的关系曲线如下图所示：gamma值小于1，可以看到处理结果扩展了低灰度值；gamma值大于1，可以看到处理结果扩展了高灰度值；首先处理一张整体偏暗的图片，即需要扩展灰度级。下列代码中，为何要使用mat2gray等函数，可参考我的另一篇博客中的代码，里面有详细解释。% 读入图像img_1 = im...
2019-07-16 16:59:31
5275
原创 数字图像处理实验之对数变换
对数变换将输入中范围较窄的低灰度值映射为输出中范围较宽的灰度值，或将输入中范围较宽的高灰度值映射为输出中范围较窄的灰度值。结合书本图片说明：对于对数函数，可以看到输入中范围在[0~L/4]的灰度值映射为输出中范围为[0~3L/4]的灰度值，同理反对数函数也是这样理解。使用对数变换来扩展图像中的暗像素值，同时压缩更高灰度级的值。反对数函数的作用于此相反。对数变换的通用形式为：对书中傅里叶频...
2019-07-16 16:01:55
11772
原创 数字图像处理实验之图像反转
图像反转特别适用于增强嵌入图像暗色区域中的白色或灰色细节，特别是当黑色面积在尺寸上占主导地位时。图像反转的公式如下：其中，s 为反转目标图像某点的灰度值，r 为原始图像对应点的灰度值，L为灰度级数。代码如下:% 读取图像img_1 = imread('Fig0304(a)(breast_digital_Xray).tif');% 图像反转img_2 = 255 - img_1;% 对...
2019-07-15 15:58:35
7340
概率论基础教程.pdf
2019-07-08
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人