TSNet：基于多尺度融合和自适应学习的图像去雾两阶段网络
计算机视觉与模式识别
2024-04-04 v1 人工智能
摘要
图像去雾长期以来是热门研究主题。以往基于深度学习的图像去雾方法在处理合成数据集和真实世界数据集时往往难以实现令人满意的去雾效果，表现出较差的泛化性。此外，单阶段网络常常会导致输出图像中出现许多区域的伪影和颜色失真。为此，本文提出一种两种阶段的图像去雾网络，称为TSNet，主要由多尺度融合模块(MSFM)和自适应学习模块(ALM)构成。具体而言，MSFM和ALM增强了TSNet的泛化性。MSFM可以在多个尺度上获得更大的感受野，并整合不同频率的特征，以减少输入与学习目标之间的差异。ALM可以主动学习图像中感兴趣的区域，并更有效地恢复纹理细节。此外，TSNet被设计为两种阶段的网络，其中第一阶段网络执行图像去雾，第二阶段网络用于改善第一阶段网络结果中存在的伪影和颜色失真问题。我们还将学习目标从原始图像更改为相反的雾图，从而提高TSNet的学习效率。广泛的实验表明，TSNet在合成数据集和真实世界数据集上相较于以往最先进的方法表现出更佳的去雾性能。
引用
@article{arxiv.2404.02460,
title = {TSNet:A Two-stage Network for Image Dehazing with Multi-scale Fusion and Adaptive Learning},
author = {Xiaolin Gong and Zehan Zheng and Heyuan Du},
journal= {arXiv preprint arXiv:2404.02460},
year = {2024}
}
备注
12 pages, 10 figures, 7 tables