首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

HEAL-ViT | 球形网格与Transformer的完美结合,引领机器学习预测新纪元!

近年来,各种机器学习天气预测模型(MLWPs)在中期天气预报方面表现出了强大的性能,这被定义为从给定初始条件下生成10天预报的任务。MLWPs通常在ECMWF的ERA5数据集(Hersbach等人,2020年)上进行训练,并在关键指标上超过了通常被认为是数值天气预报(NWP)领域最先进技术的ECMWF IFS模型(Haiden等人,2018年)。多种模型结构都成功地生成了高质量的10天预报,其中突出的模型包括FourCastNet(Pathak等人,2022年)、Pangu-Weather(Bi等人,2023年)、GraphCast(Lam等人,2022年)和FuXi(Chen等人,2023年),这些模型在ERA5数据集(Hersbach等人,2020年)提供的原生0.25

01

Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing

在这篇文章中,我们提出了一个端到端的网络,称为Cycle-Dehaze,为单一图像去雾问题,它配对的有雾图像和其对应的图像进行训练。也就是说,我们通过以不成对的方式加入干净和模糊的图像来训练网络。此外,所提出的方法不依赖于大气散射模型参数的估计。我们的方法通过结合循环一致性和感知损失来增强CycleGAN方法,以提高纹理信息恢复的质量,并生成视觉上更好的无雾霾图像。典型地,用于去雾的深度学习模型将低分辨率图像作为输入并产生低分辨率输出。然而,在NTIRE 2018单幅图像去雾挑战中,提供了高分辨率图像。因此,我们应用双三次降尺度。从网络获得低分辨率输出后,我们利用拉普拉斯金字塔将输出图像提升到原始分辨率。我们在NYU-Depth、, I-HAZE, and O-HAZE数据集上进行了实验。大量实验表明,该方法从定量和定性两个方面改进了CycleGAN方法。

02
领券