Indirect Domain Shift for Single Image Dehazing
Les réseaux neuronaux convolutionnels profonds (CNN) ont connu un succès remarquable dans de nombreuses tâches de vision par ordinateur de haut niveau, par exemple la reconnaissance d’images et la détection d’objets. Bien que des travaux récents aient montré qu’il est aussi possible d’apprendre un modèle CNN de bout en bout pour des tâches de vision de bas niveau, par exemple le débrouillard d’image, la performance résultante n’est toujours pas complètement satisfaisante. Pour les tâches de vision de haut niveau, il suffit d’extraire des caractéristiques spécifiques et de simplement les exprimer sous forme de vecteurs de très faible dimension, ce qui donne une cartographie relativement simple. En revanche, les tâches de vision de bas niveau nécessitent à la fois une compréhension globale du contenu de l’image et une inférence locale des détails de texture; Ainsi, les mappages associés sont plus complexes. Dans ce projet, nous explorerons l’insuffisance des méthodes conventionnelles de débizutage basées sur CNN et proposerons une nouvelle méthode pour cartographier les images floues en images claires de manière indirecte. Pour résoudre ce problème, nous tenterons d’ajouter des contraintes explicites dans un modèle CNN profond afin de guider le processus de restauration.
Voir la description complète du projetJun Chen
L’Université d’État de New York à Buffalo
Informatique
Éducation
Université McMaster
Bourse de recherche Globalink