基于增强生成器条件生成对抗网络的单幅图像去雾

摘要：

大气中烟雾等粒子的存在会导致肉眼捕获场景的能见度降低.大多数传统的去雾方法都是预期估计雾霾场景的透射率、大气光,并利用大气散射模型恢复无雾图像.这些方法尽管取得了显著进展,但由于过分依赖苛刻的先验条件,在缺乏相应先验条件下的去雾效果并不理想.因此,提出一种端到端的一体化除雾网络,使用增强生成器的条件生成对抗网络(CGAN)直接恢复无雾图像.生成器端以U-Net作为基础架构,通过"整合-加强-减去"的促进策略,用一个简单有效的增强解码器,增强解码器中特征的恢复.另外,加入了多尺度结构相似性(MS-SSIM)损失函数,增强图像的边缘细节恢复.在合成数据集和真实数据集上的实验中,该模型的峰值信噪比(PSNR)和结构相似性(SSIM)明显优于传统的暗通道先验(DCP)、一体化除雾网络(AOD-Net)、渐进式特征融合网络(PFFNet)、条件Wasserstein生成对抗网络(CWGAN)去雾模型.实验结果表明,相较于对比算法,所提网络能够恢复出更接近于地面真相的无雾图像,除雾效果更优.

关键词：深度学习;图像去雾;生成对抗网络;增强解码器;多尺度结构相似性损失函数

所属期刊栏目：41

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2022-01-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：3686-3691