基于dehazenet改进的网络有哪些

基于DehazeNet改进的网络包括：

1. AOD-Net：在DehazeNet的基础上引入了大气光估计模块，可以更准确地估计图像中的大气光，从而提高去雾效果。

2. GFN：基于DehazeNet和残差网络的深度去雾网络，通过引入残差块和全局特征融合模块，提高了去雾效果和网络的鲁棒性。

3. DCPDN：基于DehazeNet和双向循环神经网络的深度去雾网络，可以在多个尺度上对图像进行去雾，提高了网络的适应性和效果。

4. FFA-Net：通过引入注意力机制和反卷积层，提高了网络对低层特征的重视程度和图像细节的保留程度，从而提高了去雾效果。

5. CDCN：基于DehazeNet和卷积循环神经网络的深度去雾网络，可以对图像进行连续帧去雾，适用于视频去雾场景。

相关问题

dehazenet算法改进

DehazeNet算法是一种用于图像去雾的深度学习算法。DehazeNet通过从端到端自动学习所有组件来改进现有的去雾方法。它由级联的卷积层和池化层组成，并采用适当的非线性激活函数。DehazeNet的体系结构包括特征提取、多尺度映射、局部极值和非线性回归四个顺序操作。这些设计使得DehazeNet能够更好地估计媒体传输，从而实现更好的去雾效果。

基于深度学习的图像去雾网络有哪些，推荐链接和程序

基于深度学习的图像去雾网络有很多，以下是一些常用的网络：

1. DehazeNet：是一种端到端的去雾网络，利用卷积神经网络进行训练，可以直接输入雾化图像和相应的透射率图像，输出去雾图像。

2. AOD-Net：是一种基于全局与局部的特征融合的去雾网络，采用两个分离的卷积神经网络来提取全局和局部特征，并通过级联结构进行融合。

3. MSCNN：是一种使用多尺度卷积神经网络进行去雾的方法，通过对输入图像进行不同尺度的分解，同时利用多个卷积神经网络进行处理，从而提高了去雾的效果。

4. GFN：是一种利用生成对抗网络（GAN）进行去雾的方法，通过训练一个生成器和一个判别器，使生成器生成的去雾图像与真实的清晰图像难以区分，从而达到去雾的效果。

以下是一些推荐链接和程序：

1. DehazeNet代码：https://github.com/leeyeehoo/DehazeNet

2. AOD-Net代码：https://github.com/BoyuanJiang/AOD-Net

3. MSCNN代码：https://github.com/tyshiwo/MSCNN

4. GFN代码：https://github.com/hezhangsprinter/GFN