论文部分内容阅读
雾的出现会严重降低自然图像的对比度和饱和度,丢失图像的细节信息并且出现模糊伪影、色彩偏移等现象。图像去雾过程就是从降质的含雾图像中恢复出清晰无雾图像的过程,图像去雾对提升更高级别的计算机视觉任务有着至关重要的作用。该文主要采用深度学习和暗通道先验相结合的方法来进一步提高算法的去雾性能。
首先,该文从特征融合的角度出发,提出了一种基于特征融合的金字塔池化图像去雾网络。该方法通过级联不同尺度的深度特征,将信息融合的思想融入到卷积神经网络中。另外使用局部稠密残差网络进行特征提取与特征转换,最后利用金字塔池化模块将提取到的不同尺度的特征信息进行多级池化操作,增强特征信息的利用率。实验证明,该方法能够更高质量的完成单幅图像去雾任务。
其次,为了进一步提高图像去雾网络的性能,提出了一种融合暗通道与亮通道先验的双分支去雾网络。该网络包括无雾图像估计子网络和传输图估计子网络,其中无雾图像估计子网络利用合成训练数据学习含雾图像到无雾图像之间的非线性映射,传输图估计子网络通过提出的传输图损失,以无监督学习的方式进行传输图估计。另外该文将提取的多尺度暗通道和亮通道作为辅助信息添加到神经网络中,自然图像的统计信息与神经网络的结合加快了网络的收敛,并且在一定程度上提高了去雾质量。实验证明该方法具有较好的图像去雾性能。
最后,为了进一步提高对真实雾图像的去雾效果,该文提出了一种基于双分支深度图像先验的无监督去雾算法。该算法中包括无雾图像估计网络和传输图估计网络,两个网络共享特征提取部分的网络参数,该文选择传输图估计网络的输出反演得到最后的去雾图像。整个网络利用循环一致性损失(Cycle consistence loss,Cycle-loss)、传输图损失(Transmission loss,T-loss)和暗通道能量(Dark Channel Energy,DCE)进行无监督训练。该方法只利用真实含雾图像进行网络训练,在一定程度上避免了因利用存在误差的合成数据集进行网络训练所造成的去雾质量不理想的弊端。实验表明提出的方法在真实雾图上表现出更好的视觉效果。
首先,该文从特征融合的角度出发,提出了一种基于特征融合的金字塔池化图像去雾网络。该方法通过级联不同尺度的深度特征,将信息融合的思想融入到卷积神经网络中。另外使用局部稠密残差网络进行特征提取与特征转换,最后利用金字塔池化模块将提取到的不同尺度的特征信息进行多级池化操作,增强特征信息的利用率。实验证明,该方法能够更高质量的完成单幅图像去雾任务。
其次,为了进一步提高图像去雾网络的性能,提出了一种融合暗通道与亮通道先验的双分支去雾网络。该网络包括无雾图像估计子网络和传输图估计子网络,其中无雾图像估计子网络利用合成训练数据学习含雾图像到无雾图像之间的非线性映射,传输图估计子网络通过提出的传输图损失,以无监督学习的方式进行传输图估计。另外该文将提取的多尺度暗通道和亮通道作为辅助信息添加到神经网络中,自然图像的统计信息与神经网络的结合加快了网络的收敛,并且在一定程度上提高了去雾质量。实验证明该方法具有较好的图像去雾性能。
最后,为了进一步提高对真实雾图像的去雾效果,该文提出了一种基于双分支深度图像先验的无监督去雾算法。该算法中包括无雾图像估计网络和传输图估计网络,两个网络共享特征提取部分的网络参数,该文选择传输图估计网络的输出反演得到最后的去雾图像。整个网络利用循环一致性损失(Cycle consistence loss,Cycle-loss)、传输图损失(Transmission loss,T-loss)和暗通道能量(Dark Channel Energy,DCE)进行无监督训练。该方法只利用真实含雾图像进行网络训练,在一定程度上避免了因利用存在误差的合成数据集进行网络训练所造成的去雾质量不理想的弊端。实验表明提出的方法在真实雾图上表现出更好的视觉效果。