Cycle-Dehaze：用于单图像去雾的增强型 CycleGAN
计算机视觉与模式识别
2018-05-15 v1
摘要
本文提出一种端到端网络 Cycle-Dehaze，用于单图像去雾问题，其训练无需成对的雾图与对应真值图像。即，我们以非配对方式输入干净图像与雾图来训练网络。此外，所提方法不依赖于大气散射模型参数的估计。我们的方法通过结合循环一致性损失与感知损失来增强 CycleGAN 公式，从而改善纹理信息恢复质量并生成视觉上更佳的无雾图像。通常，去雾的深度学习模型以低分辨率图像为输入并产生低分辨率输出。然而，在 NTIRE 2018 单图像去雾挑战赛中提供了高分辨率图像。因此，我们采用双三次下采样。在从网络获得低分辨率输出后，我们利用拉普拉斯金字塔将输出图像上采样至原始分辨率。我们在 NYU-Depth、I-HAZE 与 O-HAZE 数据集上开展实验。大量实验表明，所提方法在定量与定性上均优于 CycleGAN 方法。
引用
@article{arxiv.1805.05308,
title = {Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing},
author = {Deniz Engin and Anıl Genç and Hazım Kemal Ekenel},
journal= {arXiv preprint arXiv:1805.05308},
year = {2018}
}
备注
Accepted at CVPRW: NTIRE 2018