ICCV2019论文。作者认为现有方法不能很好解决真实场景中dehaze问题，并且不能将不同程度的haze区分对待，具有较大局限性 网络由4各部分组成。the progressive transmission subnet (t-net) + the discrete atmospheric lig ...

CVPRW2019论文，目的是消除rain steak。 论文的motivation(这里是直接谷歌翻译的)：为了充分利用多尺度冗余，网络通过层次小波变换将多雨图像分解为多尺度子带，然后分别由几个子网进行处理。 特别地，小波变换还起到下采样的作用，并在不增加网络深度或不牺牲网络效率的情况下扩大了接收 ...

CVPR2019论文。论文没有细看，重点在于关注去雨模型中常用的三种建模方式。 rain steak \mathbf{R}_{s}=\mathbf{B}+\mathbf{S} rain drop \mathbf{R}_{d}=(1-\mathbf{M}) \odot \mathbf{B}+\m ...

CVPR2018论文。 没有阴影的图片的梯度信息在去反射任务中非常重要，论文把之前的two-stage方案中的梯度推测和图片推测融合在统一的框架中。网络整体架构如下： Gradient Inference Network(GiN)对于GIN网络，网络输入4-channel的tensor（3通道图像和 ...

arxiv上的一篇preprint文章，通过构建更复杂场景的数据集进行阴影检测。论文没有详细看，我关注的重点在特征融合模块，这里的特征融合还是具有不错的参考价值的。 low-level feature maps包含细节信息，可以帮助discover shadow boundaries and tin ...

ECCV2018的论文，使用双向注意力金字塔网络进行阴影检测。论文没有详细看，我关注的重点在特征融合模块，这里的特征注意力融合还是具有不错的参考价值的。 网络结构如图， 在高分辨率特征图中抑制非阴影细节的能力有限，并将非阴影区域引入结果中的能力有限，因此作者摒弃之前直接将不同层间的feature m ...

ICCV2019论文。CSDN上有这篇论文的一个解析，可以参考。 大气散射模型为：I(p)=J(p) \times T(p)+A(p) \times(1-T(p))，I是输入的含雾的图像； J是所需要的没有雾的图像；T是传输图(trasmission map),传输地图，其表示影响光的到达照相机传感 ...

ICMEW2019的论文。 论文基于以下出发点：高分辨率的底层特征有空间信息；低分辨率的高层特征有语义信息；之前的方法没有将两者良好结合，并且在cross-scale的时候没有结合不同scale上的features。 因此论文用下面的网络结构进行摩尔纹去除。loss function是常规的loss ...

?????????????????? ????????????????????????????????????????F = ????/????????(???) ????? ?????????????????????????????????????????????????????? ????? ...

--> 这里主要是看了几篇硕博论文后，摘录出来的一些关于Demoire上可能有用的KeyPoints。 《基于图像分解的纹理图像摩尔纹消除方法》(2016天大)大致思路纹理图像中摩尔纹现象是由数码相机场景采集过程中欠采样导致，纹理高频信息在采样频率下混叠到低频成分即对应空间域可见的摩尔纹结构。结 ...