面向分割任务的图像去雾模型学习
计算机视觉与模式识别
2020-02-10 v2 图像与视频处理
摘要
为评估性能，现有去雾方法通常依赖于生成图像与其对应真值之间的距离度量。尽管能够产生视觉上良好的图像，使用基于像素甚至感知的度量一般并不能保证所生成的图像适合作为分割等底层计算机视觉任务的输入。为克服这一弱点，我们提出了一种新颖的端到端图像去雾方法，其适合作为图像分割过程的输入，同时保持生成图像的视觉质量。受生成对抗网络（GAN）成功的启发，我们提出通过引入判别器网络和评估去雾图像分割质量的损失函数来优化生成器。此外，我们利用一个补充损失函数来验证所生成图像的视觉和感知质量在雾天条件下得以保持。使用所提技术获得的结果颇具吸引力，在考虑分割算法在雾天图像上的性能时，与最先进的方法相比具有优势。
引用
@article{arxiv.1903.01530,
title = {Learning of Image Dehazing Models for Segmentation Tasks},
author = {Sébastien de Blois and Ihsen Hedhli and Christian Gagné},
journal= {arXiv preprint arXiv:1903.01530},
year = {2020}
}
备注
Accepted in EUSIPCO 2019