面向感知优化的单幅图像去雾生成对抗网络
计算机视觉与模式识别
2018-05-04 v1
摘要
现有的单幅图像去雾方法，包括基于模型与基于学习的方法，都严重依赖于所谓透射图的估计。尽管概念简单，但将透射图作为中间步骤往往使重建图像的感知质量更难以优化。为克服这一弱点，我们提出一种直接的深度学习方法用于图像去雾，绕过透射图估计步骤并便于端到端的感知优化。我们的技术贡献主要为三方面。首先，基于去雾与去噪之间的类比，我们提出通过递归深度残差学习直接从退化图像空间到无雾图像空间学习非线性映射；其次，受生成对抗网络（GAN）成功的启发，我们提出通过引入判别器与适应雾天条件的损失函数来优化去雾图像的感知质量；第三，我们提出通过对引导滤波的新颖应用来消除大场景深度不连续处臭名昭著的晕状伪影。大量实验结果表明，所提出的感知优化GAN（POGAN）去雾图像的主观质量往往优于现有最先进方法，尤其在雾天条件变化时。
引用
@article{arxiv.1805.01084,
title = {Perceptually Optimized Generative Adversarial Network for Single Image Dehazing},
author = {Yixin Du and Xin Li},
journal= {arXiv preprint arXiv:1805.01084},
year = {2018}
}