基于改进多元线性回归的暗通道先验在图像去雾与合成雾生成中的应用
计算机视觉与模式识别
2021-03-15 v1
摘要
去雾是一项极具挑战性的任务，且由于自动驾驶与交通监控的普及，雾环境下的目标检测近来备受关注。本工作中，作者提出一种基于广泛采用的名为暗通道先验（Dark Channel Prior）的去雾算法的多元线性回归去雾模型。用合成雾数据集训练该模型，所提模型可减少暗通道先验中透射率图与大气光粗略估计所产生的意外偏差。为提高雾环境下目标检测精度，作者进一步提出一种通过对 MS COCO 训练数据集生成人工雾来构建合成雾 COCO 训练数据集的算法。实验结果表明，相较于大多数传统的基于像素的去雾算法与基于神经网络的去雾模型，所提模型获得了更高的图像质量，并与真实图像更为相似。作者还评估了用合成雾 COCO 训练数据集训练 Mask R-CNN 并以所提去雾模型对测试雾数据集预处理时 Mask R-CNN 的平均精度均值。结果表明，两种方法均能显著提升目标检测精度，并优于大多数现有的雾图像目标检测模型。
引用
@article{arxiv.2103.07065,
title = {Advanced Multiple Linear Regression Based Dark Channel Prior Applied on Dehazing Image and Generating Synthetic Haze},
author = {Binghan Li and Yindong Hua and Mi Lu},
journal= {arXiv preprint arXiv:2103.07065},
year = {2021}
}