用于高效单图像去雾的特征前向
计算机视觉与模式识别
2019-05-06 v2
摘要
雾会降低图像内容质量并遮蔽信息，从而对实时系统中基于视觉的决策产生负面影响。在本文中，我们提出一种高效的全卷积神经网络(CNN)图像去雾方法，旨在边缘图形处理单元(GPU)上运行。我们利用三种架构变体来探索去雾图像质量对参数量和模型设计的依赖性。所提出的前两种变体（小版本和大版本）使用单一高效编码器-解码器卷积特征提取器。最后的变体利用一对编码器-解码器来估计大气光和透射率图。每种变体都以图像细化金字塔池化网络结束以形成最终去雾图像。对于单编码器网络的大版本，我们在 NYU Depth 数据集上展示了最先进的性能。对于小版本，我们在超分辨率 O/I-HAZE 数据集上保持了有竞争力的性能，且无需图像裁剪。最后，我们考察了 Dense-Haze 数据集在利用 CNN 架构进行浓雾图像去雾时呈现的一些挑战，并考察了损失函数选择对图像质量的影响。包含了基准测试以表明将该方法引入实时系统的可行性。
引用
@article{arxiv.1904.09059,
title = {Feature Forwarding for Efficient Single Image Dehazing},
author = {Peter Morales and Tzofi Klinghoffer and Seung Jae Lee},
journal= {arXiv preprint arXiv:1904.09059},
year = {2019}
}
备注
Accepted to the NTIRE 2019 CVPR Workshop. Paper number 77. 8 Pages