Dehaze-GLCGAN：基于对抗训练的非配对单图像去雾
图像与视频处理
2020-08-18 v1 计算机视觉与模式识别
机器学习
摘要
单图像去雾是一个具有挑战性的问题，且远未解决。当前大多数解决方案需要包含雾图及其对应无雾真值图像的配对图像数据集。然而在现实中，光照条件与其他因素可产生一系列无雾图像，可作为一幅雾图的真值，而单一真值图像无法涵盖该范围。这限制了配对图像数据集在真实应用中的可扩展性与实用性。本文中，我们聚焦于非配对单图像去雾，且不依赖真值图像或物理散射模型。我们将图像去雾问题化简为图像到图像翻译问题，并提出去雾全局-局部循环一致生成对抗网络（Dehaze-GLCGAN）。Dehaze-GLCGAN 的生成器网络结合编码器-解码器架构与残差块，以更好地恢复无雾场景。我们还采用全局-局部判别器结构来处理空间变化的雾。通过消融研究，我们证明了所提网络性能中不同因素的有效性。我们在三个基准数据集上的大量实验表明，与其他方法相比，我们的网络在 PSNR 与 SSIM 上更优，且训练所用数据量更少。
引用
@article{arxiv.2008.06632,
title = {Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training},
author = {Zahra Anvari and Vassilis Athitsos},
journal= {arXiv preprint arXiv:2008.06632},
year = {2020}
}