ICCV 2019 去雾论文《Deep Multi-Model Fusion for Single-Image Dehazing》

Introduction
去雾算法过去的常见的模型是大气散射(atmospheric scattering)模型:
I ( p ) = J ( p ) × T ( p ) + A ( p ) × ( 1 − T ( p ) ) I(p)=J(p)\times T(p)+A(p)\times(1-T(p)) I(p)=J(p)×T(p)+A(p)×(1T(p))
I I I是输入的含雾的图像; J J J是所需要的没有雾的图像; T T T是传输图(trasmission map),传输地图,其表示影响光的到达照相机传感器的距离相关的分量; A A A是全局的大气散射图,代表着环境的光强度。
深度学习方法:可视为layer separation model,分成无雾层和有雾层:
I = Φ ( J , H ) I=\Phi(J,H) I=Φ(J,H)
主要贡献点:
1、把上述两个模型融合用于提高去雾的性能
2、基于注意力机制的多尺度融合模块(attentional multi-level integrated feature, AMLIF)
在这里插入图片描述
DM 2 ^2 2F-Net将大气散射模型和layer seperation模型融合成新的去雾模型。
作者认为,浅层的特征可获取更多的背景信息,但无法处理被雾损伤的non-haze 细节。
深层的特征可以用来获得语义信息来去除输入图像的haze信息,但由于感受野太大,会缺少haze-free的信息。
AFIM先获得Attention Weights Ω x = \Omega_x= Ωx=Softmax ( σ ( Θ ∗ M L

  • 2
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值