用于单图像去雾的渐进残差学习
图像与视频处理
2021-03-16 v1 计算机视觉与模式识别
摘要
近期无物理模型的去雾方法已取得最先进的性能。然而，由于缺乏物理模型引导，由于数据不可用或不足问题，当应用于真实场景时性能迅速下降。另一方面，基于物理模型的方法具有更好的可解释性，但受限于参数的多目标优化，可能导致次优的去雾结果。本文提出一种渐进残差学习策略，将无物理模型的去雾过程与重构的散射模型去雾操作相结合，兼具两类去雾方法的优点。具体而言，借助来自初始无物理模型去雾过程的精确残差信息与初步去雾复原结果，对全局大气光与透射率图进行交互式优化。所提方法在公开去雾基准上优于最先进方法，并对复杂雾数据具有更好的模型可解释性与适应性。
引用
@article{arxiv.2103.07973,
title = {Progressive residual learning for single image dehazing},
author = {Yudong Liang and Bin Wang and Jiaying Liu and Deyu Li and Yuhua Qian and Wenqi Ren},
journal= {arXiv preprint arXiv:2103.07973},
year = {2021}
}