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

最新推荐文章于 2025-03-19 10:35:25 发布

Najlepszy

最新推荐文章于 2025-03-19 10:35:25 发布

阅读量2.9k

点赞数 3

分类专栏：去雾算法

本文链接：https://blog.csdn.net/Najlepszy/article/details/103354223

版权

本文介绍了ICCV 2019年一篇关于去雾的论文，提出了将大气散射模型与深度学习的layer separation模型结合的DM2F-Net。通过注意力机制的多尺度融合模块(AMLIF)和Attention Fusion Integrated Module (AFIM)，在保留背景信息和恢复非雾细节之间取得平衡。实验表明，这种方法在去雾性能上有所提升，同时减少了细节丢失。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Introduction
去雾算法过去的常见的模型是大气散射(atmospheric scattering)模型：
$I(p)=J(p)\times T(p)+A(p)\times(1-T(p))$
$I$ 是输入的含雾的图像； $J$ 是所需要的没有雾的图像； $T$ 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； $A$ 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：
$I=\Phi(J,H)$
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 $^2$ F-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 $\Omega_x=$ Softmax

最低0.47元/天解锁文章