基于卷积神经网络的全非均匀大气散射建模用于单图像去雾

近年来，基于大气散射模型（ASM）的单图像去雾模型（SIDM）取得了显著成果。然而，需要注意的是，由于 ASM 的建模能力有限，即将大气光因子（ALF）和角散射系数（ASC）假设为单张图像中的常数，基于 ASM 的 SIDM 在对真实世界雾天图像进行去雾时性能会下降。显然，在真实世界中拍摄的雾天图像并不总能满足这一假设。这种真实世界图像与 ASM 之间的生成建模失配为训练的基于 ASM 的 SIDM 的去雾性能设定了上限。考虑到这一点，本研究提出了一种新的全非均匀大气散射模型（FNH-ASM），以很好地建模 ALF 和 ASC 随像素变化的复杂条件下的雾天图像。然而，FNH-ASM 在实际应用中带来了困难。在基于 FNH-ASM 的 SIDM 中，不同位置的参数估计偏差会导致去雾结果的不同失真。因此，为了减少参数估计偏差对去雾结果的影响，创新性地开发了两种新的代价敏感损失函数，beta-Loss 和 D-Loss，用于限制对去雾结果影响更大的敏感位置的参数偏差。最后，基于 FNH-ASM，开发了一个应用 beta-Loss 和 D-Loss 的端到端基于 CNN 的去雾网络 FNHD-Net。实验结果证明了我们提出的 FNHD-Net 在合成和真实世界图像去雾上的有效性和优越性。并且我们方法的性能提升在密集和非均匀雾场景中更为明显。