作者:Haiyan Wu, Yanyun Qu, Shaohui Lin, Jian Zhou, Ruizhi Qiao, Zhizhong Zhang, Yuan Xie , Lizhuang Ma
摘要:由于严重的信息退化,单图像去雾是一个具有挑战性的问题。然而,现有的基于深度学习的除雾方法仅采用清晰的图像作为正样本来指导除雾网络的训练,而未利用负样本信息。而且,它们中的大多数集中在通过增加深度和宽度来增强除雾网络,从而导致大量的计算和内存需求。在本文中,我们提出了一种基于对比学习的新颖对比正则化(CR)技术,以利用模糊图像和清晰图像的信息分别作为负样本和正样本。CR确保在表示空间中将还原后的图像拉到更接近清晰图像,并推到远离朦胧图像的位置。此外,考虑到性能和内存存储之间的权衡,我们基于类自动编码器(AE)框架开发了一个紧凑的除雾网络。它涉及自适应混合操作和动态特征增强模块,分别受益于自适应地保存信息流和扩展接收域以提高网络的转换能力。我们将具有自动编码器和对比正则化功能的除雾网络称为AECR-Net。在合成和真实数据集上进行的广泛实验表明,我们的AECR-Net超越了最新技术。
论文:
https://www.zhuanzhi.ai/paper/dd3062a92b8d991f3e9356c8d16e2bfb
代码:
https://github.com/GlassyWu/AECR-Net
深度学习pytorch入门资料见专栏置顶~