（EAAI）DFP-Net：一种用于单图像去雾的无监督双分支频域处理框架

最新推荐文章于 2025-05-16 14:49:58 发布

Angelina_Jolie

最新推荐文章于 2025-05-16 14:49:58 发布

阅读量1.4k

点赞数 25

分类专栏：计算机视觉文章标签：深度学习

本文链接：https://blog.csdn.net/Angelina_Jolie/article/details/146072059

版权

计算机视觉专栏收录该内容

46 篇文章

订阅专栏

题目：DFP-Net: An unsupervised dual-branch frequency-domain processing framework for single image dehazing

DFP-Net：一种用于单图像去雾的无监督双分支频域处理框架

作者：Jianlei Liu, Shilong Wang, Chen Chen, Qianwen Hou

源码：https://github.com/wsl666/DFP-Net.git

论文创新点

融合先验与深度学习优势：论文提出的DFP-Net将暗通道先验（DCP）算法嵌入深度学习网络。利用DCP算法在恢复图像可见性方面的优势，结合深度学习方法的强大学习能力，克服了以往方法仅依赖单一技术的局限，有效恢复图像细节和颜色，实现更稳定的去雾效果。
双分支频域与空间协同处理：设计了双分支频域处理网络和空间感知融合网络。双分支频域处理网络依据雾气主要存在于低频分量、高频分量包含更多结构信息的特点，分别处理图像的高频和低频信息；空间感知融合网络则进一步融合处理后的频域分量，在空间域增强去雾效果，生成更清晰、自然的去雾图像。
解决配对数据稀缺问题：通过结合生成对抗网络（GANs）和对比学习，使用未配对的训练样本对DFP-Net进行训练。这种方式避免了监督学习方法对配对数据的依赖，有效缓解了因缺乏配对样本导致的去雾性能受限问题，提高了模型的适应性和泛化能力。

摘要

无雾图像是许多计算机视觉任务的前提条件，因此单图像去雾在该领域尤为重要。然而，现有的深度学习去雾方法面临以下问题：（1）先前去雾方法在恢复图像可见性方面的巨大潜力被忽视；（2）大多数深度学习去雾方法主要利用空间信息，却忽略了图像不同频域中的信息；（3）由于缺乏成对的有雾和清晰图像，这些方法的去雾能力有限。因此，作者提出了一种新颖的无监督去雾网络DFP-Net，以解决上述三个问题。具体而言，作者将暗通道先验算法嵌入到网络中，结合了先验方法和深度学习方法的优势。精心设计了双分支频域处理网络和空间感知融合网络，共同探索图像不同频域和空间域中的信息。此外，作者结合对比学习和对抗训练，利用未配对的训练样本缓解缺乏配对训练样本的问题。大量实验结果表明，DFP-Net在合成数据集和真实数据集上均优于其他最先进的方法，峰值信噪比（PSNR）提高了约2.8dB，生成的结果在视觉上令人满意，有助于在有雾天气条件下提高图像的可见性。

3. 提出的方法

鉴于先验方法和深度学习方法各自的独特优势和局限性，作者提出了一种新颖的图像去雾网络，结合了两者的优点。根据库马尔等人（2022）、朱等人（2020）的研究以及实验分析，雾气通常存在于低频分量中，而高频分量包含更多的结构信息。因此，作者采用双分支结构分别处理图像的不同频域分量。此外，作者设计了一个空间感知融合网络，在空间域进一步恢复无雾图像。尽管配对的清晰和有雾图像稀缺给监督学习方法带来了挑战，但作者利用无监督GAN来克服这一问题。此外，对比学习（陈等人，2022b，2020；金等人，2020；德尼兹等人，2023；王等人，2022a）通过最大化和最小化样本之间的相似性，以无监督的方式提高模型的性能。因此，作者将对比学习融入去雾框架。

3.1 网络架构

去雾网络DFP-Net的完整架构如图3所示。DFP-Net可分为三个部分：生成器、多尺度PatchGAN判别器和像素级对比学习。具体细节将在后续章节讨论。

3.1.1 生成器

3.1.2 多尺度PatchGAN判别器

在对抗训练中，作者采用广泛应用的PatchGAN（朱等人，2017；伊索拉等人，2017）作为判别器。它能有效捕捉图像中的详细信息，且比其他传统判别器运算速度更快。相比之下，为从生成器获得更逼真的图像，判别器需要较大的感受野，从全局视角区分生成器生成的图像与真实（GT）图像，这需要深度网络或大卷积核；而为在去雾图像中保留更多细节信息，判别器又需要较小的感受野，从局部视角聚焦于图像的局部边缘和纹理信息。此外，单个判别器难以同时对全局和局部特征提供准确反馈，这可能导致生成器生成的图像质量较低，比如建筑物墙壁纹理失真（常等人，2023；陈等人，2022a）。因此，为解决这两个问题，作者提出了多尺度PatchGAN判别器，如图9所示。较大尺度的判别器感受野大、参数少，负责捕捉全局视角；较小尺度的判别器感受野小、参数多，用于学习图像细节。判别器输入生成器得到的图像，并从数据集中随机选择未配对的GT图像 $J_{Real}$ 。此外，作者添加谱归一化（宫谷等人，2018）以使训练更稳定。

3.1.3 像素级对比学习

对比学习（吴等人，2021）通过比较不同样本之间的异同来学习特征表示。利用对比学习，模型在嵌入空间中将正样本拉近，将负样本推远，以此学习到一组有意义的特征表示。在该方法中，作者将初步恢复的图像Dehaze作为锚点，从数据集中随机选择一张真实的清晰图像作为正样本，同样从同一数据集中随机选择一张有雾图像作为负样本。该方法使用的正样本和负样本均从数据集中随机选取，彼此不配对。目标是将恢复的图像（锚点）向清晰图像（正样本）拉近，同时远离有雾图像（负样本），如图1所示。作者采用王等人（2022b）提出的一种新颖的逐像素对比感知损失来实现像素级对比学习。