突破迷雾：一种基于快速傅里叶卷积与 ConvNeXt 的高级非均匀去雾方法
计算机视觉与模式识别
2024-01-02 v1 人工智能
图形学
信息检索
机器学习
摘要
雾通常导致图像质量退化，表现为低对比度、色彩偏移和结构失真。我们观察到许多基于深度学习的模型在去除均匀雾方面表现优异，但它们通常难以应对非均匀去雾的挑战。造成这一情况的两个主要因素在于：首先，由于浓雾分布复杂且不均匀，高保真地恢复结构和色彩特征具有挑战性，尤其在浓雾区域；其次，现有的小规模非均匀去雾数据集不足以支持基于卷积神经网络（CNN）的模型可靠地学习有雾图像与对应无雾图像之间的特征映射。为应对这两大挑战，我们提出了一种新颖的双分支网络，利用二维离散小波变换（DWT）、快速傅里叶卷积（FFC）残差块以及预训练的 ConvNeXt 模型。具体而言，在 DWT-FFC 频率分支中，我们的模型利用 DWT 捕获更多高频特征。此外，借助 FFC 残差块提供的大感受野，我们的模型能够有效探索全局上下文信息并生成具有更好感知质量的图像。在先验知识分支中，采用了 ImageNet 预训练的 ConvNeXt 而非 Res2Net。这使我们的模型能够学习更多补充信息并获得更强的泛化能力。所提方法的可行性与有效性通过大量实验和消融研究得到验证。代码见 https://github.com/zhouh115/DWT-FFC。
引用
@article{arxiv.2305.04430,
title = {Breaking Through the Haze: An Advanced Non-Homogeneous Dehazing Method based on Fast Fourier Convolution and ConvNeXt},
author = {Han Zhou and Wei Dong and Yangyi Liu and Jun Chen},
journal= {arXiv preprint arXiv:2305.04430},
year = {2024}
}
备注
Accepted by CVPRW 2023