基于先验图引导CycleGAN的非配对水面图像去雾
计算机视觉与模式识别
2022-12-26 v1 人工智能
摘要
基于深度学习的方法在图像去雾方面取得了显著性能。然而，现有方法主要针对陆地场景开发，在处理水面雾图时表现不佳，因为水面场景通常包含大面积的天空和水域。在本工作中，我们提出一种先验图引导CycleGAN（PG-CycleGAN）用于水面场景图像去雾。为促进图像中水面物体的恢复，网络利用了两个损失函数，其中设计了一个先验图来反转暗通道，并使用最小-最大归一化来抑制天空并突出物体。然而，由于训练集非配对，网络可能学习到从有雾到无雾图像的欠约束域映射，导致伪影和细节丢失。因此，我们提出一种直观的上采样Inception模块（UIM）和长程残差由粗到细框架（LRC）来缓解该问题。在定性与定量对比上的大量实验表明，所提方法优于最先进的监督、半监督和无监督去雾方法。
引用
@article{arxiv.2212.12116,
title = {Unpaired Overwater Image Defogging Using Prior Map Guided CycleGAN},
author = {Yaozong Mo and Chaofeng Li and Wenqi Ren and Shaopeng Shang and Wenwu Wang and Xiao-jun Wu},
journal= {arXiv preprint arXiv:2212.12116},
year = {2022}
}