Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA LE MODIFICHE in fondo alla pagina
Bicocca Open Archive
This paper reviews the second NTIRE challenge on image dehazing (restoration of rich details in hazy image) with focus on proposed solutions and results. The training data consists from 55 hazy images (with dense haze generated in an indoor or outdoor environment) and their corresponding ground truth (haze-free) images of the same scene. The dense haze has been produced using a professional haze/fog generator that imitates the real conditions of haze scenes. The evaluation consists from the comparison of the dehazed images with the ground truth images. The dehazing process was learnable through provided pairs of haze-free and hazy train images. There were ~ 270 registered participants and 23 teams competed in the final testing phase. They gauge the state-of-the-art in image dehazing.
Ancuti, C., Ancuti, C., Timofte, R., Van Gool, L., Zhang, L., Yang, M., et al. (2019). NTIRE 2019 image dehazing challenge report. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (pp.2241-2253). IEEE Computer Society [10.1109/CVPRW.2019.00277].
NTIRE 2019 image dehazing challenge report
Ancuti C. O.;Ancuti C.;Timofte R.;Van Gool L.;Zhang L.;Yang M. -H.;Guo T.;Li X.;Cherukuri V.;Monga V.;Jiang H.;Yang S.;Liu Y.;Qu X.;Wan P.;Park D.;Chun S. Y.;Hong M.;Huang J.;Chen Y.;Chen S.;Wang B.;Michelini P. N.;Liu H.;Zhu D.;Liu J.;Santra S.;Mondal R.;Chanda B.;Morales P.;Klinghoffer T.;Quan L. M.;Kim Y. -G.;Liang X.;Li R.;Pan J.;Tang J.;Purohit K.;Suin M.;Rajagopalan A. N.;Schettini R.;Bianco S.;Piccoli F.;Cusano C.;Celona L.;Hwang S.;Ma Y. S.;Byun H.;Murala S.;Dudhane A.;Aulakh H.;Zheng T.;Zhang T.;Qin W.;Zhou R.;Wang S.;Tarel J. -P.;Wang C.;Wu J.
2019
Abstract
This paper reviews the second NTIRE challenge on image dehazing (restoration of rich details in hazy image) with focus on proposed solutions and results. The training data consists from 55 hazy images (with dense haze generated in an indoor or outdoor environment) and their corresponding ground truth (haze-free) images of the same scene. The dense haze has been produced using a professional haze/fog generator that imitates the real conditions of haze scenes. The evaluation consists from the comparison of the dehazed images with the ground truth images. The dehazing process was learnable through provided pairs of haze-free and hazy train images. There were ~ 270 registered participants and 23 teams competed in the final testing phase. They gauge the state-of-the-art in image dehazing.
Ancuti, C., Ancuti, C., Timofte, R., Van Gool, L., Zhang, L., Yang, M., et al. (2019). NTIRE 2019 image dehazing challenge report. In IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (pp.2241-2253). IEEE Computer Society [10.1109/CVPRW.2019.00277].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10281/273969
Citazioni
23
12
Social impact
Conferma cancellazione
Sei sicuro che questo prodotto debba essere cancellato?
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2021-2023 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 598/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
