感知与建模密度即图像去雾之全部所需
计算机视觉与模式识别
2021-11-19 v1
摘要
在现实世界中，雾下所摄图像的退化可能相当复杂，雾的空间分布因图而异。近期方法采用深度神经网络直接从雾图恢复干净场景。然而，由于真实捕获雾的变化与当前网络固定退化参数所导致的悖论，近期去雾方法在真实世界雾图上的泛化能力并不理想。为解决真实世界雾退化建模问题，我们提出通过感知与建模密度来处理不均匀雾分布。我们提出一种新颖的可分离混合注意力（SHA）模块，通过捕获正交方向上的特征来编码雾密度以实现此目标。此外，提出密度图以显式建模雾的不均匀分布。密度图以半监督方式生成位置编码。此种雾密度感知与建模在特征层面有效捕获了不均匀分布的退化。通过 SHA 与密度图的恰当组合，我们设计了一种新颖的去雾网络架构，实现了良好的复杂度-性能权衡。在两个大规模数据集上的大量实验表明，我们的方法在定量与定性上均大幅超越所有最先进方法，在 Haze4k 测试集上将已发表最佳 PSNR 指标从 28.53 dB 提升至 33.49 dB，在 SOTS 室内测试集上从 37.17 dB 提升至 38.41 dB。
引用
@article{arxiv.2111.09733,
title = {Perceiving and Modeling Density is All You Need for Image Dehazing},
author = {Tian Ye and Mingchao Jiang and Yunchen Zhang and Liang Chen and Erkang Chen and Pen Chen and Zhiyong Lu},
journal= {arXiv preprint arXiv:2111.09733},
year = {2021}
}