FAMED-Net：一种快速且准确的多尺度端到端去雾网络
计算机视觉与模式识别
2019-07-09 v2 机器学习
摘要
单幅图像去雾是后续高级计算机视觉任务的关键图像预处理步骤。然而，由于其不适定性，它仍然具有挑战性。现有的去雾模型往往存在模型过于复杂和计算效率低下，或者表示能力有限的问题。为了应对这些挑战，我们在此提出一种快速且准确的多尺度端到端去雾网络，称为FAMED-Net，它包含三个尺度的编码器和一个融合模块，以高效且直接地学习无雾图像。每个编码器由级联且密集连接的点卷积层和池化层组成。由于没有使用更大的卷积核，并且特征被逐层重用，FAMED-Net是轻量级且计算高效的。在公共合成数据集（包括RESIDE）和真实世界有雾图像上的详尽实证研究表明，FAMED-Net在模型复杂度、计算效率、恢复精度和跨集泛化能力方面优于其他代表性的最先进模型。代码将公开发布。
引用
@article{arxiv.1906.04334,
title = {FAMED-Net: A Fast and Accurate Multi-scale End-to-end Dehazing Network},
author = {Jing Zhang and Dacheng Tao},
journal= {arXiv preprint arXiv:1906.04334},
year = {2019}
}
备注
13 pages, 9 figures, To appear in IEEE Transactions on Image Processing. The code is available at https://github.com/chaimi2013/FAMED-Net