去雾算法 dehazing 最新顶级会议和期刊论文打包下载（15-16年）

去雾算法是计算机视觉领域中的一个重要研究方向，其主要目的是恢复图像在雾霾环境下失去的清晰度和细节。在2015年至2016年间，这个领域的研究取得了显著进展，尤其是在顶级会议如CVPR（计算机视觉与模式识别）、ECCV（欧洲计算机视觉大会）和ICCV（国际计算机视觉大会）上发表的论文。以下是一些关键知识点的详细说明： 1. **非局部图像去雾（Non-Local Image Dehazing）**：[16CVPR]Non-Local Image Dehazing.pdf 提出了一种利用图像非局部相似性的方法来处理去雾问题。非局部方法考虑了图像中像素之间的相似性，通过全局信息来估计清晰图像，从而提升去雾效果。 2. **水下图像增强（Underwater Image Enhancement）**：[16TIP]Underwater Image Enhancement by Dehazing With Minimum Information Loss and Histogram Distribution Prior.pdf 针对水下图像的去雾，提出了一种基于最小信息损失和直方图分布先验的增强方法。这种方法旨在尽可能保留图像信息的同时改善视觉质量。 3. **内部块循环去雾（Blind dehazing using internal patch recurrence）**：[16ICCP]Blind dehazing using internal patch recurrence.pdf 提出了一种盲去雾算法，利用图像内部的块重复性来估计大气散射模型，实现无监督的去雾处理。 4. **梯度残差最小化去雾（Gradient Residual Minimization for Dehazing）**：[16ECCV]Robust Image and Video Dehazing with Visual Artifact Suppression via Gradient Residual Minimization.pdf 强调了梯度信息在去雾过程中的重要性，通过抑制视觉伪影来实现更稳定的图像和视频去雾。 5. **多尺度卷积神经网络去雾（Multi-scale Convolutional Neural Networks for Dehazing）**：[16ECCV]Single Image Dehazing via Multi-scale Convolutional Neural Networks.pdf 利用深度学习，特别是多尺度卷积神经网络，对单张图像进行去雾处理。这种方法通过学习复杂的特征表示来提升去雾的准确性和自然感。 6. **去雾算法综述与量化评估（Haze Visibility Enhancement Survey and Benchmarking）**：[16CVPR]【REVIEW】Haze Visibility Enhancement A Survey and Quantitative Benchmarking.pdf 对现有的去雾技术进行了全面的回顾，并提出了定量评估标准，为后续的研究提供了参考。 7. **DehazeNet：端到端的单图像去雾系统（DehazeNet: An End-to-End System for Single Image Haze Removal）**：[16CVPR]DehazeNet An End-to-End System for Single Image Haze Removal.pdf 引入了DehazeNet，这是一种基于深度学习的端到端解决方案，能直接从输入的雾化图像生成清晰图像。 8. **颜色衰减先验的快速单图像去雾（Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior）**：[15TIP]A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior.pdf 提出了一种利用颜色衰减先验的快速算法，该算法能高效地恢复图像的色彩信息，提高去雾效率。 以上这些论文展示了去雾算法的多样性和创新性，从传统的物理模型到深度学习方法，都在试图找到更准确、更自然的去雾解决方案。随着技术的发展，去雾算法在未来将继续推动图像和视频处理领域的进步。