WTCL-Dehaze：基于小波变换和对比学习的实世界图像去雾
计算机视觉与模式识别
2024-10-08 v1
摘要
常在雾霾天气条件下捕获的图像常 suffer 从 colour distortion、低对比度和细节丢失，这些都会影响高层次视觉任务。单图像去雾对于自动驾驶和监视等应用至关重要，旨在恢复图像清晰度。本文提出 WTCL-Dehaze 一个增强的半监督去雾网络，集成对比损失和离散小波变换（DWT）。我们采用对比正则化通过对比 hazy 和 clear 图像对来增强特征表示。此外，我们利用 DWT 进行多尺度特征提取，有效捕获高频细节和全局结构。我们的方法利用有标签和无标签数据来缓解领域差距并提高泛化能力。该模型在合成和真实世界数据集的组合上训练，确保在不同情境下拥有稳健的性能。广泛的实验表明，我们提出的算法在基准数据集和真实图像上实现了优于最先进单图像去雾方法的卓越性能和改进的鲁棒性。
引用
@article{arxiv.2410.04762,
title = {WTCL-Dehaze: Rethinking Real-world Image Dehazing via Wavelet Transform and Contrastive Learning},
author = {Divine Joseph Appiah and Donghai Guan and Abdul Nasser Kasule and Mingqiang Wei},
journal= {arXiv preprint arXiv:2410.04762},
year = {2024}
}
备注
15 pages,4 figures