利用引导式 APSF 与梯度自适应卷积增强夜间雾霾图像可见性
计算机视觉与模式识别
2024-01-23 v4
摘要
雾霾夜间场景的可见性常因多种因素而降低，包括低光照、强辉光、光散射以及多色光源的存在。现有夜间去雾方法往往难以处理辉光或低光条件，导致视觉过暗或辉光未抑制的输出。在本文中，我们通过抑制辉光并增强低光区域，从单幅夜间雾霾图像提升可见性。为处理辉光效应，我们的框架从渲染的辉光对中学习。具体而言，提出一个光源感知网络检测夜间图像的光源，随后进行 APSF（大气点扩散函数）引导的辉光渲染。我们的框架在渲染图像上训练，从而实现辉光抑制。此外，我们利用梯度自适应卷积捕捉雾霾场景中的边缘与纹理。借助提取的边缘与纹理，我们在不丢失重要结构细节的情况下增强场景对比度。为提升低光强度，我们的网络学习一个注意力图，再通过伽马校正调整。该注意力在低光区域取值高，在雾霾与辉光区域取值低。在真实夜间雾霾图像上的大量评估证明了方法的有效性。实验表明，我们的方法在 GTA5 夜间雾霾数据集上取得 30.38dB 的 PSNR，较 SOTA 方法高出 13%。我们的数据与代码见 https://github.com/jinyeying/nighttime_dehaze。
引用
@article{arxiv.2308.01738,
title = {Enhancing Visibility in Nighttime Haze Images Using Guided APSF and Gradient Adaptive Convolution},
author = {Yeying Jin and Beibei Lin and Wending Yan and Yuan Yuan and Wei Ye and Robby T. Tan},
journal= {arXiv preprint arXiv:2308.01738},
year = {2024}
}
备注
Accepted to ACM'MM2023, https://github.com/jinyeying/nighttime_dehaze