LED2Net：结合低光与细节增强的深度光照感知去雾
计算机视觉与模式识别
2019-07-29 v2
摘要
我们提出了一种新颖的去雾与低光增强方法，该方法基于由卷积神经网络（CNN）精确估计的光照图。在本文中，光照图被用作三个不同任务的组成部分，即大气光估计、透射图估计和低光增强。为了基于 Retinex 理论同时训练用于去雾和低光增强的 CNN，我们从 FADE 数据集中的正常有雾图像合成了大量低光有雾图像。此外，我们利用细节增强进一步改进了网络。实验结果表明，我们的方法在定量和定性上均超越了近期最先进的算法。特别是，我们生成的无雾图像色彩生动，并能在无光晕效应或色彩失真的情况下提升可见度。
引用
@article{arxiv.1906.05119,
title = {LED2Net: Deep Illumination-aware Dehazing with Low-light and Detail Enhancement},
author = {Guisik Kim and Junseok Kwon},
journal= {arXiv preprint arXiv:1906.05119},
year = {2019}
}
备注
we will upload new version of this paper after August