CVPR 2020 論文大盤點-去雨去霧去模糊篇

時間 2021-01-13

本文盤點CVPR 2020 所有圖像去雨、去霧、去模糊的論文。

去雨示意圖：

去霧示意圖：

去模糊示意圖：

作爲底層圖像處理任務，這三個方向有共同特點：現有技術無法真實模擬下雨、起霧、模糊，導致算法訓練中使用的合成數據集和真實圖像降質有差異，所以這個領域經常出現實驗效果很豪橫，實際使用卻被抱怨的情況。

CVPR 2020中去雨方向 4 篇文章，去霧 3 篇，還有1篇去各種惡劣天氣，去模糊 8 篇，大部分論文其實都是在解決上述實際應用中算法效果歇菜的問題。

大家可以在：

http://openaccess.thecvf.com/CVPR2020.py

按照題目下載這些論文。

如果想要下載所有CVPR 2020論文，請點擊這裏：

CVPR 2020 論文全面開放下載，含主會和workshop

圖像去雨（Image Deraining）

提出一種基於高斯過程的半監督學習框架，使得網絡在學習中使用合成數據集進行去雨訓練時，同時使用未標註的真實世界圖像，以使網絡能更好地泛化。

[1].Syn2Real Transfer Learning for Image Deraining Using Gaussian Processes

作者 | Rajeev Yasarla, Vishwanath A. Sindagi, Vishal M. Patel

單位 | 約翰斯霍普金斯

代碼 | https://github.com/rajeevyasarla/

Syn2Real

多尺度漸進融合網絡用於單幅圖像去雨

[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

單位 | 武漢大學；北卡羅來納大學夏洛特分校；倫敦國王學院；哈爾濱工業大學

代碼 | https://github.com/kuihua/MSPFN（尚未）

提出採用雙層並行網絡來恢復去雨圖像丟失的細節信息。與現有圖像去雨工作不同，該方法將去雨和恢復細節視爲並行獨立的兩個模塊。

[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

單位 | 南京航空航天大學；MIIT Key Laboratory of Pattern Analysis and Machine Intelligence；Microsoft Applied Sciences Group；嶺南大學；香港教育大學；合肥工業大學

代碼 | https://github.com/Dengsgithub/DRD-Net（即將）

圖像去霧（Image Dehazing）

提出了一種基於U-Net架構的具有密集特徵融合的多尺度增強去霧網絡

[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

單位 | 西安交通大學；南京理工大學；海康威視；加州大學默塞德分校；谷歌

代碼 | https://github.com/BookerDeWitt/MSBDN-DFF

域適應 + 圖像去霧，解決大部分去霧方法在合成數據集上優秀而真實數據集上歇菜的問題。

[5].Domain Adaptation for Image Dehazing

作者 | Yuanjie Shao, Lerenhan Li, Wenqi Ren, Changxin Gao, Nong Sang

單位 | 華中科技大學；中科院

代碼 | https://github.com/HUSTSYJ/DA_dahazing

知識蒸餾 + 去霧。先使用乾淨圖像訓練自編碼網絡作爲teacher；將去霧網絡作爲student，使用teacher挖掘的乾淨圖像的隱含特徵和重建信息來指導有霧圖像到乾淨圖像的映射。

[6].Distilling Image Dehazing With Heterogeneous Task Imitation

作者 | Ming Hong, Yuan Xie, Cuihua Li, Yanyun Qu

單位 | 廈門大學；華東師範大學

雙目圖像 + 去霧。提出雙目傳輸模塊探索並編碼雙目圖像對中的深度關係，無需進行計算複雜的視差估計，預測去霧模型中的透射圖，進而同時恢復出清晰的雙目圖像對。

[7].BidNet: Binocular Image Dehazing Without Explicit Disparity Estimation

作者 | Yanwei Pang, Jing Nie, Jin Xie, Jungong Han, Xuelong Li

單位 | 天津大學；英國華威大學；西北工業大學

去模糊（Deblurring）

去模糊方法的訓練使用的合成數據並不能真實模擬圖像模糊。爲了解決這個問題，該文提出了一種包含兩種GAN模型的新方法，即學習模糊的GAN（BGAN）和學習去模糊的GAN（DBGAN）。第一個模型BGAN學習如何使用未配對的清晰和模糊圖像集對清晰圖像進行模糊處理，然後指導第二個模型DBGAN學習如何正確對此類圖像進行模糊處理。

[8].Deblurring by Realistic Blurring

作者 | Kaihao Zhang, Wenhan Luo, Yiran Zhong, Lin Ma, Bjorn Stenger, Wei Liu, Hongdong Li

單位 | 澳大利亞國立大學；騰訊AI實驗室；Rakuten Institute of Technology；ACRV

視頻去模糊

[9].Cascaded Deep Video Deblurring Using Temporal Sharpness Prior

作者 | Jinshan Pan, Haoran Bai, Jinhui Tang

單位 | 南京理工大學

代碼 | https://github.com/csbhr/CDVD-TSP

運動去模糊

[10].Learning Event-Based Motion Deblurring

作者 | Zhe Jiang, Yu Zhang, Dongqing Zou, Jimmy Ren, Jiancheng Lv, Yebin Liu

單位 | 商湯；四川大學；清華大學

動態場景去模糊，使用光流引導訓練的Spatially Variant反捲積

[11].Efficient Dynamic Scene Deblurring Using Spatially Variant Deconvolution Network With Optical Flow Guided Training

作者 | Yuan Yuan, Wei Su, Dandan Ma

單位 | 西北工業大學

自適應運動去模糊

[12].Spatially-Attentive Patch-Hierarchical Network for Adaptive Motion Deblurring

作者 | Maitreya Suin, Kuldeep Purohit, A. N. Rajagopalan

單位 | 印度理工學院

對噪聲水平未知的圖像去模糊

[13].Variational-EM-Based Deep Learning for Noise-Blind Image Deblurring

作者 | Yuesong Nan, Yuhui Quan, Hui Ji

單位 | 新加坡國立大學；華南理工大學

提出使用分析-合成網絡對去模糊，分析網絡估計模糊核，合成網絡使用此模糊核去模糊。

[14].Deblurring Using Analysis-Synthesis Networks Pair

作者 | Adam Kaufman, Raanan Fattal

單位 | 希伯來大學

在非盲去模糊問題中，模糊核很多時候並不準確，該文探索在模糊核存在誤差時的去模糊。

[15].Deep Learning for Handling Kernel/model Uncertainty in Image Deconvolution

作者 | Yuesong Nan, Hui Ji

單位 | 新加坡國立大學

去惡劣天氣大一統模型，去雨、去霧、去雪一個框架搞定！

[16].All in One Bad Weather Removal using Architectural Search

作者 | Ruoteng Li, Robby T. Tan, Loong-Fah Cheong

單位 | National University of Singapore，Yale-NUS College