用于单图像去雾的间接域偏移方法
图像与视频处理
2022-01-14 v2
摘要
尽管卷积神经网络（CNNs）具有显著的表达能力，其在单图像去雾上仍难以给出令人满意的结果，尤其在精细纹理细节的忠实恢复方面。本文认为，传统基于 CNN 的去雾方法的不足可归因于有雾图像的域与清晰图像的域相距过远，导致难以训练 CNN 以端到端方式学习直接域偏移并同时恢复纹理细节。为解决此问题，我们提出在深度 CNN 模型内部添加显式约束以引导复原过程。与直接学习不同，所提机制通过多个置信邻域来偏移并收窄估计输出的候选区域。因此，它能够整合不同架构的表达能力，从而实现从有雾图像到清晰图像的更精确的间接域偏移（IDS）。我们还提出了两种不同训练方案，包括硬 IDS 和软 IDS，进一步揭示了所提方法的有效性。我们广泛的实验结果表明，基于该机制的去雾方法优于当前最优方法。
引用
@article{arxiv.2102.03268,
title = {Indirect Domain Shift for Single Image Dehazing},
author = {Huan Liu and Jun Chen},
journal= {arXiv preprint arXiv:2102.03268},
year = {2022}
}