[控场AI]
模型FreePath去雾模型

FreePath

一种基于神经平均自由程概念的图像去雾神经网络框架,通过在特征空间中学习路径场与碰撞场来模拟雾霾对视觉响应的累积影响,避免显式估计大气参数。

时间轴 (近 90 天)

11月6日

论文《FreePath: Neural Mean Free Path for Image Dehazing》提出将去雾视为特征空间中的路径状态恢复,而非估计大气参数。

待验证50%
11月6日

FreePath 在残差编码器和解码器内部引入平均自由程残差块(Mean Free Path Residual Block),该模块学习路径场和碰撞场以指导受雾霾约束的校正。

待验证50%
11月6日

FreePath 使用 FreePath 状态守恒积分(State Conservation Integration)在深度特征聚合过程中保持恢复的路径状态,以解决深层网络中特征信息退化的问题。

待验证50%
11月6日

论文在配对 CDD-11 雾图像和真实 RTTS 场景上进行了实验。

待验证50%
11月6日

实验结果显示,FreePath 在全参考保真度、无参考感知质量和视觉忠实度上均持续优于代表性的去雾基线。

待验证50%
11月6日

FreePath 目前仅在去雾任务上验证,其通用性仍需进一步探索。

待验证50%
11月6日

论文没有提供计算复杂度或推理速度的详细数据,实际部署中的效率需要额外评估。

待验证50%
11月6日

FreePath 依赖于残差编码器-解码器架构,在移动端或实时场景中的适用性未知。

待验证50%

全部知识事实 (8)

来源文章