Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Jan 8, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991

Dehaze-attention: mejora de la eliminación de neblina de imágenes con un marco de aprendizaje profundo multiescala

Hao Huang1, G T S Ho2, M W Geda3

  • 1School of Integrated Circuits, Harbin Institute of Technology, Shenzen, 518055, China.

Scientific reports
|December 19, 2025
PubMed
Resumen

Videos de Conceptos Relacionados

Deconvolution01:20

Deconvolution

524
Deconvolution, also known as inverse filtering, is the process of extracting the impulse response from known input and output signals. This technique is vital in scenarios where the system's characteristics are unknown, and they must be inferred from the observable signals.
Deconvolution involves several mathematical techniques to derive the impulse response. One common approach is polynomial division. In this method, the input and output sequences are treated as coefficients of...
524

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Comparative analysis of traditional and metaverse-based education: impacts on students' all-round development.

BMC psychology·2026
Same author

A lightweight fully convolutional neural network for efficient and accurate tunnel crack detection.

Journal of advanced research·2025
Same author

Comparative analysis of Student's live online learning readiness during the coronavirus (COVID-19) pandemic in the higher education sector.

Computers & education·2021
Same author

The antioxidant effects of riluzole on the APRE-19 celll model injury-induced by t-BHP.

BMC ophthalmology·2017
Same author

Nischarin-siRNA delivered by polyethylenimine-alginate nanoparticles accelerates motor function recovery after spinal cord injury.

Neural regeneration research·2017
Same author

Magnetron Sputtering Deposition Cu@Onion-like N-C as High-Performance Electrocatalysts for Oxygen Reduction Reaction.

ACS applied materials & interfaces·2017

Este estudio presenta Dehaze-Attention, un modelo avanzado de aprendizaje profundo para la eliminación de neblina de imágenes. Restaura eficazmente la visibilidad en condiciones complejas utilizando un mecanismo de atención y procesamiento multiescala, superando a los métodos existentes.

Área de la Ciencia:

  • Visión por Computadora
  • Inteligencia Artificial
  • Procesamiento de Imágenes

Sus antecedentes:

  • El aprendizaje profundo ha avanzado significativamente en la eliminación de neblina de imágenes, pero muchos métodos tienen dificultades con condiciones atmosféricas complejas, lo que lleva a una restauración deficiente de la visibilidad.
  • Los modelos existentes de eliminación de neblina a menudo se basan en suposiciones que fallan en densidades de neblina variables, lo que limita su aplicación práctica.
  • La eliminación eficaz de la neblina de las imágenes es crucial para aplicaciones como la fotografía aérea y los sistemas autónomos.

Objetivo del estudio:

  • Proponer un modelo mejorado de eliminación de neblina de imágenes, Dehaze-Attention, capaz de manejar densidades de neblina variables y preservar la información estructural.
  • Abordar las limitaciones de los métodos actuales de eliminación de neblina en escenarios atmosféricos complejos.
Palabras clave:
Imágenes atmosféricasAprendizaje profundoEliminación de neblina de imágenesRed multiescalaTeledetección

Videos de Experimentos Relacionados

Last Updated: Jan 8, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

991
  • Mejorar la restauración de la visibilidad en imágenes con neblina para mejorar las aplicaciones posteriores.

    • Principales métodos:

    • Se utilizó extracción avanzada de características a través de capas convolucionales para capturar detalles fundamentales de las imágenes con neblina.
    • Se integró un mecanismo de atención para permitir un enfoque dinámico en las características relevantes y minimizar la pérdida de información.
    • Se incorporó una estructura de red multiescala para procesar la neblina en diferentes densidades a través del análisis combinado de características globales y locales.

    Principales resultados:

    • El modelo Dehaze-Attention logró un rendimiento de vanguardia en imágenes sintéticas con neblina en diversas condiciones atmosféricas.
    • Demostró mejoras significativas en métricas cuantitativas (Peak Signal-to-Noise Ratio y Structural Similarity Index Measure) en comparación con los modelos base.
    • Las evaluaciones subjetivas confirmaron una restauración de visibilidad superior y una preservación de detalles por parte del modelo propuesto.

    Conclusiones:

    • El modelo Dehaze-Attention maneja eficazmente densidades de neblina variables mientras preserva la información estructural esencial.
    • El modelo muestra mejoras significativas tanto en evaluaciones cuantitativas como subjetivas, superando a los enfoques existentes de eliminación de neblina.
    • Las capacidades mejoradas de restauración de la visibilidad hacen que Dehaze-Attention sea adecuado para aplicaciones en fotografía aérea, sistemas autónomos y teledetección.