亲爱的研友该休息了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!身体可是革命的本钱,早点休息,好梦!

Deep hybrid model for single image dehazing and detail refinement

计算机科学 图像(数学) 人工智能 薄雾 残余物 深度学习 图像复原 计算机视觉 算法 图像处理 物理 气象学
作者
Nanfeng Jiang,Kejian Hu,Ting Zhang,Weiling Chen,Yiwen Xu,Tiesong Zhao
出处
期刊:Pattern Recognition [Elsevier]
卷期号:136: 109227-109227 被引量:15
标识
DOI:10.1016/j.patcog.2022.109227
摘要

Deep learning technologies have been applied in Single Image Dehazing (SID) tasks successfully. However, most SID algorithms seldom consider to refine image details during dehazing. Therefore, there exist some detail-loss regions in dehazed results. To solve this issue, we design a deep hybrid network to improve dehazing performance and remedy the loss of details. Different from existing algorithms that usually ignore detail refinement and adopt a unified framework to remove haze, we propose to treat dehazing and detail refinement as two separate tasks, so that each task could be solved via different ways. Particularly, we design two sub-networks with a multi-term loss function. First, for removing haze effectively, we introduce the Squeeze-and-Excitation (SE) to design a haze residual attention sub-network, which is used to reconstruct the dehazed image. Second, as for remedying details, we take the previous dehazed image as the input to a detail refinement sub-network, where the image details can be enhanced via multi-scale contextual information aggregation. Through the joint training of two sub-network, the haze can be removed clearly and the image details can be preserved well. Moreover, the detail refinement sub-network can be detached into other existing dehazing methods to improve their model performances. Extensive experiments also verify the superiority of our proposed network against recently proposed state-of-the-arts.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
7秒前
8秒前
小小果妈发布了新的文献求助10
12秒前
哇samm完成签到,获得积分10
19秒前
lab完成签到 ,获得积分0
20秒前
肥肥完成签到 ,获得积分10
22秒前
31秒前
32秒前
林川发布了新的文献求助20
32秒前
32秒前
汪芹发布了新的文献求助10
36秒前
43秒前
林川完成签到,获得积分10
51秒前
56秒前
隐形初雪完成签到 ,获得积分10
1分钟前
1分钟前
1分钟前
李健应助kunkun采纳,获得10
1分钟前
1分钟前
1分钟前
星际舟发布了新的文献求助10
1分钟前
1分钟前
sun完成签到 ,获得积分10
1分钟前
风筝线发布了新的文献求助10
1分钟前
1分钟前
1分钟前
1分钟前
1分钟前
kunkun发布了新的文献求助10
1分钟前
聪明的云完成签到 ,获得积分10
2分钟前
冰红茶完成签到 ,获得积分10
2分钟前
2分钟前
Yasong完成签到 ,获得积分10
2分钟前
结实的啤酒完成签到 ,获得积分10
2分钟前
jokeyoonic发布了新的文献求助30
2分钟前
风筝线发布了新的文献求助10
2分钟前
2分钟前
Faine完成签到 ,获得积分10
2分钟前
Nathan完成签到,获得积分0
2分钟前
HLT完成签到 ,获得积分10
2分钟前
高分求助中
Solution Manual for Strategic Compensation A Human Resource Management Approach 1200
Natural History of Mantodea 螳螂的自然史 1000
Glucuronolactone Market Outlook Report: Industry Size, Competition, Trends and Growth Opportunities by Region, YoY Forecasts from 2024 to 2031 800
A Photographic Guide to Mantis of China 常见螳螂野外识别手册 800
Zeitschrift für Orient-Archäologie 500
Smith-Purcell Radiation 500
Autoregulatory progressive resistance exercise: linear versus a velocity-based flexible model 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 物理化学 催化作用 细胞生物学 免疫学 冶金
热门帖子
关注 科研通微信公众号,转发送积分 3341765
求助须知:如何正确求助?哪些是违规求助? 2969181
关于积分的说明 8637419
捐赠科研通 2648827
什么是DOI,文献DOI怎么找? 1450353
科研通“疑难数据库(出版商)”最低求助积分说明 671899
邀请新用户注册赠送积分活动 660959