用于单图像去雾的非配对四路径循环一致对抗网络
计算机视觉与模式识别
2023-04-28 v3
摘要
基于对抗学习的图像去雾方法因卓越性能已在计算机视觉中被广泛研究。然而，多数现有方法去雾能力限于真实场景，因其训练于同场景配对清晰图与合成雾图。此外，它们在去雾中保持生动色彩与丰富纹理细节方面存在局限。为解决这些问题，我们提出了一种名为四路径循环一致对抗网络（QPC-Net）的新型生成对抗网络，用于单图像去雾。QPC-Net由Fog2Fogfree块与Fogfree2Fog块组成。每块中有三个基于学习的模块，即去雾、色彩-纹理恢复与雾合成，它们顺序构成相互约束的双路径以生成高质量图像。具体而言，色彩-纹理恢复模型旨在通过学习的雾图与其若干派生图间整体通道-空间特征相关性来利用纹理与结构信息的自相似性。此外，在雾合成模块中，我们利用大气散射模型引导其通过关注带新型天空分割网络的大气光优化来提升生成质量。在合成与真实世界数据集上的大量实验表明，QPC-Net在定量精度与主观视觉质量上均优于SOTA去雾方法。
引用
@article{arxiv.2202.09553,
title = {Unpaired Quad-Path Cycle Consistent Adversarial Networks for Single Image Defogging},
author = {Wei Liu and Cheng Chen and Rui Jiang and Tao Lu and Zixiang Xiong},
journal= {arXiv preprint arXiv:2202.09553},
year = {2023}
}
备注
13 pages, 11 figures