本文共 963 字，大约阅读时间需要 3 分钟。

在2020年CVPR大会上，图像去雨、去雾、去模糊等任务吸引了大量研究者的关注。本文将整理该领域的最新进展，并评估相关论文的技术价值与创新点。

图像去雨（Image Deraining）

去雨是图像处理中的一个关键问题，涉及去除图像中由于天气条件导致的阴影和雨点遮挡。CVPR2020年在这一领域发表了4篇论文，主要聚焦于改进现有反雨算法的泛化性能。论文[1]提出了基于高斯过程的半监督学习框架，通过未标注的真实图像补充训练数据，提高网络的泛化能力。论文[2]则采用了多尺度渐进融合网络，通过逐步细化图像的细节信息，实现了更好的去雨效果。论文[3]进一步探索了细节恢复的方法，通过上下文聚合网络增强了丢失的细节信息重建能力。

图像去雾（Image Dehazing）

去雾技术旨在去除图像中造成的模糊现象，常见于恶劣天气环境下的图像应用。CVPR2020年在去雾领域发表了3篇论文，均聚焦于解决现有方法在真实数据集上的鲁棒性问题。论文[4]提出了一种多尺度增强去雾网络，通过密集特征融合提升了去雾效果。论文[5]结合了领域适应技术，有效解决了去雾算法在不同数据集之间的泛化问题。论文[6]采用知识蒸馏的方法，利用干净图像训练的教师网络指导去雾网络从有雾图像中恢复清晰图像。此外，论文[7]通过双目传输模块，避免了传统视差估计的复杂性，直接恢复了深度信息。

图像去模糊（Deblurring）

去模糊技术在视频修复、无噪声艾哈美化等场景中具有重要应用价值。CVPR2020年在这一领域发表了8篇论文，主要从GAN模型、运动估计、动态场景等方面展开研究。论文[8]提出的双GAN架构，通过BGAN学习模糊核，指导DBGAN进行去模糊处理。论文[9]提出了一种基于时间锐度先验的深度视频去模糊方法，通过时间序列的约束条件显著提升了去模糊效果。论文[10]结合运动估计，利用深度学习进行运动去模糊，取得了良好的实验结果。论文[11]提出的空间变量去卷积网络结合光流训练，适用于动态场景去模糊。

多综论

CVPR2020年去雨、去雾、去模糊方向的论文均聚焦于解决实际应用中的性能问题。许多方法通过创新的网络架构或结合多模态信息，显著提升了去处理效果。未来研究可以进一步关注实时性能和更大尺寸图像处理，以满足实际应用的需求。

转载地址：http://mudsz.baihongyu.com/