模型
整个网络包括三个子网络,如图。
transmission map estimation
传播图估计网络是一个CGAN网络,包含两个子网络:生成网络G和对抗网络D
生成网络:有类似U-net结构的跳跃级联结构
C(15)-CBP(30)-CBP(60)-CBP(120)-CBP(120)-CBP(120)-CBP(120)-CBP(120)-TCBP(120)-TCBP(120)-TCBP(120)-TCBP(120)-TCBP(60)-TCBP(30)-TCBP(15)-TC(1)-tanh
对抗网络:
CB(48)-CBP(96)-CBP(192)-CBP(384)-CBP(384)-C(1)-sigmoid
损失函数:均方误差损失+对抗损失haze feature extraction
一个可行的方案是:让网络直接学习传播图和去雾图之间的非线性映射关系,但是这里有一个问题,就是在论文Image-to-image with conditional adversarial networks中所说的,当网络在学习类标签图像和RGB彩色图像之间的映射时,很难保留图像原有的彩色信息,因此,即使网络学习到的映射关系能够产生视觉上理想的结果,也不可能精确地预测出去雾后图像。