Cycle-Dehaze是一个无监督的深度学习模型，它改进了CycleGAN架构以处理单图像去雾。该方法不需要配对的清晰和模糊图像进行训练，并依赖于大气散射模型参数的估算。通过结合循环一致性和感知损失，Cycle-Dehaze在保留纹理信息的同时提高图像质量，特别是在PSNR和SSIM指标上。它使用拉普拉斯金字塔进行上采样，同时引入循环感知一致性损失来更好地维护图像结构。在测试阶段，通过生成器G*生成高分辨率的无雾图像。
提出端到端的Cycle-Dehaze网络。（无监督）
- 不需要成对的模糊图像和真实图像训练网络。
- 依赖于大气散射模型参数的估计。
方法通过结合循环一致性和感知损失来增强CycleGAN。以便改善纹理信息恢复的质量并产生视觉上更好的无雾图像。首先去雾的深度学习模型将低分辨率图像作为输入并产生低分辨率输出 ，然后采用双三次降尺度。利用拉普拉斯金字塔将低分辨率输出图像放大到原始分辨率。
Cycle-Dehaze是用于单图像去雾的Cyclegan体系结构的增强版本。
- 利用EnhanceNet启发的感知损失提高视觉质量指标PSNR和SSIM。这种损失的主要思想是在特征空间中比较图像，而不是像素空间。
- Cycle-Dehaze在两个空间上都将原始图像与重建的循环图像进行比较，其中循环一致性损失保证了高的PSNR值，感知损失保持了图像的清晰度。
- Cycle-DeHaze使用传统的拉普拉斯金字塔在主去雾过程后提供更好的上采样结果。
循环感知一致性损失：
循环一致性损失，计算未配对图像到图像转换任务中原始图像和循环图像之间的L1-范数。 然而，由于模糊图像大多是严重损坏的，因此计算出的原始图像和循环图像之间的损失不足以恢复所有的纹理信息。
循环感知一致性损失旨在通过查看从VGG16体系结构的第2和第5池层提取的高和低层特征的组合来保持原始图像结构。
在x∈X，y∈Y和生成器G:X→Y；F:Y→X的约束下，给出了循环感知一致性损失的表达式，其中(X，Y)是模糊和真实图像的未配对图像集，是VGG16第2和第5池化层的特征提取器：
Cycle-Dehaze的总目标：
Cycle-Dehaze相比CycleGAN有一个额外的损失。Cycle-Dehaze目的可表述为：
是cyclegan结构的全部目标 ，D代表鉴别器，γ控制循环感知一致性损失的影响。Cycle-Dehaze优化了Cyclegan结构，根据方程4和方程5，在方程3中给出了额外的循环感知一致性损失。 为了获得无雾图像，在测试时间使用发生器G*。
拉普拉斯 升级：
为了减少在降尺度和升尺度过程中图像质量的恶化，我们利用了采用高分辨率模糊图像创建的拉普拉斯金字塔。 为了得到高分辨率的去雾图像，我们用去雾后的低分辨率图像改变了拉普拉斯金字塔的顶层，并像往常一样进行拉普拉斯放大处理。
3583
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
