基于集成学习的双分支神经网络非均匀去雾
图像与视频处理
2021-04-20 v1 计算机视觉与模式识别
摘要
近年来，图像去雾取得了快速而显著的进展。许多基于深度学习的方法在处理均匀去雾问题时展现了优异性能。然而，我们观察到，即便精心设计的卷积神经网络（CNN）能在大规模去雾基准上表现良好，该网络通常在 NTIRE 挑战赛引入的非均匀去雾数据集上失效。原因主要有两点。首先，由于其非均匀特性，非均匀分布雾比均匀雾更难去除。其次，该研究挑战仅提供有限数据（NH-Haze 2021 数据集仅有 25 对训练数据）。因此，基于极有限的数据学习从有雾图像域到清晰图像域的映射极其困难。为此，我们提出一种简单而有效的基于集成学习的非均匀去雾方法。具体而言，我们引入一个双分支神经网络分别处理上述问题，然后通过可学习的融合尾部映射其不同特征。我们展示了大量实验结果以说明所提方法的有效性。
引用
@article{arxiv.2104.08902,
title = {A Two-branch Neural Network for Non-homogeneous Dehazing via Ensemble Learning},
author = {Yankun Yu and Huan Liu and Minghan Fu and Jun Chen and Xiyao Wang and Keyan Wang},
journal= {arXiv preprint arXiv:2104.08902},
year = {2021}
}
备注
Accepted in CVPRW 2021