基于深度空洞卷积网络的夜间雾霾与辉光去除
计算机视觉与模式识别
2019-02-05 v1
摘要
在本文中，我们解决夜间场景中的单幅图像去雾问题。夜间去雾是一个严重不适定问题，尤其由于存在各种不同颜色且非均匀照明的可见光光源。这些光源形状各异，并在夜间场景中引入明显的辉光。为处理这些效应，我们引入了一种基于深度学习的 DeGlow-DeHaze 迭代架构，其考虑了变化的彩色照明与辉光。首先，我们基于卷积神经网络 (CNN) 的 DeGlow 模型能够显著去除辉光效应，在其上包含一个独立的 DeHaze 网络以去除雾霾效应。对于我们的循环网络训练，雾图及相应的透射率图由 NYU 深度数据集合成，并由此恢复出高质量的无雾图像。实验结果表明，我们的混合 CNN 模型在计算速度与图像质量方面优于其他最先进 (state-of-the-art) 方法。我们还展示了我们的模型在若干真实图像上的有效性，并将我们的结果与现有夜间雾霾启发式模型进行比较。
引用
@article{arxiv.1902.00855,
title = {Night Time Haze and Glow Removal using Deep Dilated Convolutional Network},
author = {Shiba Kuanar and K. R. Rao and Dwarikanath Mahapatra and Monalisa Bilas},
journal= {arXiv preprint arXiv:1902.00855},
year = {2019}
}
备注
13 pages, 10 figures, 2 Tables