分类驱动的单幅图像去雾
计算机视觉与模式识别
2019-11-22 v1
摘要
多数现有去雾算法常使用手工特征或基于卷积神经网络（CNN）的方法，以像素级均方误差（MSE）损失生成清晰图像。所生成图像通常具有更好的视觉吸引力，但对于图像分类等高层视觉任务未必具有更好性能。本文从新视角探讨该问题。我们不止聚焦于在峰值信噪比（PSNR）等基于像素的指标上取得良好量化性能，还确保去雾图像本身不削弱图像分类等高层视觉任务的性能。为此，我们提出一种统一 CNN 架构，包含三部分：去雾子网络（DNet）、分类驱动的条件生成对抗网络子网络（CCGAN）以及与图像分类相关的分类子网络（CNet），其在视觉吸引力与图像分类上均具更优性能。我们在两个具挑战性的细粒度与物体分类基准数据集 CUB-200-2011 和 Caltech-256 上开展了全面实验。实验结果表明，所提方法在图像去雾指标与分类准确率上均优于许多近期最先进的单幅图像去雾方法。
引用
@article{arxiv.1911.09389,
title = {Classification-driven Single Image Dehazing},
author = {Yanting Pei and Yaping Huang and Xingyuan Zhang},
journal= {arXiv preprint arXiv:1911.09389},
year = {2019}
}