2017-1028年去雾算法汇总

去雾算法是计算机视觉领域中的一个重要研究方向，其主要目的是去除图像中的雾霾，恢复清晰的视觉效果。2017年至2018年间，这一领域的研究取得了显著进展，涉及了多种理论和技术。以下是这段时间内一些关键的去雾算法及其核心要点： 1. **暗通道先验（Dark Channel Prior）**：这是由微软研究院在2009年提出的经典去雾方法。该方法假设在大多数无雾图像中，存在一个像素点的某个颜色通道具有非常小的亮度值。利用这一特性，可以估计出大气光，并进行图像去雾。 2. **基于深度学习的方法**：随着深度学习的崛起，许多研究者开始尝试将神经网络应用于去雾任务。这些模型通常包括卷积神经网络（CNN），通过学习大量有雾和无雾图像对的特征，以实现更精确的图像恢复。例如，"DehazeNet"和"AOD-Net"是早期的深度学习去雾网络，它们能够直接预测图像的透射率和大气光，进而恢复清晰图像。 3. **多尺度和注意力机制**：为了更好地捕捉不同尺度的雾霾信息，一些研究引入了多尺度结构，如"MSBDN"（Multi-Scale Boundary-Enhanced Dehazing Network）。这种网络能够在多个尺度上处理图像，增强边缘细节，提高去雾效果。同时，注意力机制也开始被应用，比如"ATN"（Attention Guided Dehazing Network），它通过自适应地关注图像的不同区域，来优化去雾过程。 4. **物理模型与深度学习结合**：某些工作试图结合物理模型和深度学习的优势。例如，"HDR-Net"利用高动态范围（HDR）图像信息来指导去雾，而"GFN"（Guided Filter Network）则结合了引导滤波器与深度学习，以保留图像细节。 5. **增强现实与去雾**：随着增强现实技术的发展，去雾算法也逐渐应用于实时场景中。这类算法往往需要更高的计算效率和实时性，例如"Fast and Furious Dehazing"，它通过快速的计算策略实现了高效的去雾处理。 6. **单图像去雾与视频去雾**：除了单个图像的去雾，研究人员也开始关注连续的视频去雾，这涉及到帧间的一致性和运动物体的处理。"Video Dehazing with Temporal Consistency"等方法就是针对这一问题提出的解决方案。 这些2017-2018年的去雾算法各有特点，展示了从传统方法到深度学习的转变，以及对图像质量和实时性的追求。通过深入理解并结合这些技术，我们可以进一步提升图像去雾的效果，为自动驾驶、无人机监控、遥感图像处理等领域提供更好的技术支持。