基于暗通道先验损失的无监督单幅图像去雾
计算机视觉与模式识别
2020-02-04 v2 机器学习
机器学习
摘要
单幅图像去雾是当今许多自主视觉应用中的关键阶段。早期基于先验的方法通常涉及对手工设计的能量函数进行耗时的极小化。近期基于学习的方法利用深度神经网络（DNNs）的表征能力来学习有雾图像与清晰图像之间的潜在变换。由于收集匹配的清晰与有雾图像存在固有局限，这些方法转而使用合成数据进行训练，这些合成数据由室内图像及相应深度信息构建。这可能导致在处理室外场景时出现可能的域偏移。我们提出一种完全无监督的训练方法，通过极小化著名的暗通道先验（DCP）能量函数实现。我们不使用合成数据馈送网络，而是仅使用真实世界室外图像，并通过直接极小化 DCP 来调整网络参数。尽管我们的“Deep DCP”技术可视为 DCP 的快速近似器，它实际上显著改进了 DCP 的结果。这表明通过神经网络和学习过程获得了额外的正则化。实验表明，我们的方法与大规模监督方法的性能相当。
引用
@article{arxiv.1812.07051,
title = {Unsupervised Single Image Dehazing Using Dark Channel Prior Loss},
author = {Alona Golts and Daniel Freedman and Michael Elad},
journal= {arXiv preprint arXiv:1812.07051},
year = {2020}
}