用于联合去雨与去雾的非对称双解码器U-Net
计算机视觉与模式识别
2022-06-22 v2 图像与视频处理
摘要
本工作研究联合去雨与去雾问题。在真实场景中，雨和雾这两种经常共现的常见天气现象会极大降低场景图像的清晰度与质量，导致自动驾驶等视觉应用性能下降。然而，联合去除场景图像中的雨和雾是病态且具挑战性的，其中雾与雨的存在以及大气光的变化都会退化场景信息。现有方法聚焦于污染去除部分，因而忽略了受大气光变化影响的场景信息的复原。我们提出一种名为非对称双解码器U-Net（ADU-Net）的新型深度神经网络，以应对上述挑战。ADU-Net同时生成污染残差与场景残差，在高效去除雨和雾的同时保持场景信息的保真度。大量实验表明，我们的工作在合成数据与真实世界数据基准（包括RainCityscapes、BID Rain和SPA-Data）上均以显著优势超越现有SOTA方法。例如，我们在RainCityscapes/SPA-Data上分别将SOTA的PSNR值提升了2.26/4.57。代码将免费向研究界公开。
引用
@article{arxiv.2206.06803,
title = {Asymmetric Dual-Decoder U-Net for Joint Rain and Haze Removal},
author = {Yuan Feng and Yaojun Hu and Pengfei Fang and Yanhong Yang and Sheng Liu and Shengyong Chen},
journal= {arXiv preprint arXiv:2206.06803},
year = {2022}
}
备注
12 pages, 35 figures