DFR-Net：利用雾密度差异进行图像去雾的密度特征精炼网络
计算机视觉与模式识别
2024-04-30 v1
摘要
在图像去雾任务中，雾密度是一个关键特征并影响去雾方法的性能。然而，现有的一些方法缺乏用于度量密度的对比图像，另一些方法生成中间结果却未充分利用其密度差异，而该差异有助于感知密度。为解决这些不足，我们提出一种名为密度特征精炼网络（DFR-Net）的密度感知去雾方法，该方法从密度差异中提取雾密度特征并利用密度差异精炼密度特征。在DFR-Net中，我们首先生成一张整体密度低于雾输入图像的提议图像，从而引入全局密度差异。此外，提议图像的去雾残差反映了去雾性能水平，并提供指示局部难去雾或高密度区域的局部密度差异。随后，我们引入全局分支（GB）和局部分支（LB）以实现密度感知。在GB中，我们使用孪生网络对雾输入和提议图像进行特征提取，并提出全局密度特征精炼（GDFR）模块，该模块可通过将具有不同全局密度的特征推得更远来精炼特征。在LB中，我们从雾输入与提议图像之间的去雾残差中探索局部密度特征，并引入中间去雾残差前馈（IDRF）模块以更新局部特征并将其拉近清晰图像特征。充分的实验表明，所提方法在各数据集上取得了超越最先进方法的结果。
引用
@article{arxiv.2307.13927,
title = {DFR-Net: Density Feature Refinement Network for Image Dehazing Utilizing Haze Density Difference},
author = {Zhongze Wang and Haitao Zhao and Lujian Yao and Jingchao Peng and Kaijie Zhao},
journal= {arXiv preprint arXiv:2307.13927},
year = {2024}
}