所有基于雾天退化模型的去雾算法都是根据已知的有雾图像I(x)求解出透射率t(x)和大气光A,得到无雾图像J(x)
-
提出原因
现有的双目除雾方法依赖于同时除雾和估计视差,会产生如下缺陷1)对于给定的微小视差误差,深度误差会随着视差的增加而增加。2)最新的基于学习的视差估计方法很耗时,因为它们必须应用3D卷积,计算量大。3)这些方法仅输出左去雾图像,而不是双目去雾图像对。
-
本文亮点
文章提出的Bid-Net能够利用左右图像中包含的协作信息,不需要明确执行耗时长、具有挑战性的视差估计任务。使用的是合成雾图进行训练。关于视差估计相关的介绍链接link
(1)提出了一种新颖的双目图像去雾框架,称为BidNet,该框架能够利用左右图像之间的相关性对双目图像对进行除雾,而无需估计视差,它可以避免由不精确的视差估计引起的大误差。(2)受non-local网络的启发,提出了一种简单而有效的机制并将其嵌入BidNet中,通过该机制将右图像特征图中的有用信息引入左图像特征图中。具体是通过计算立体horizontal non-local相关矩阵并将该矩阵与右图像的特征图相乘来实现的。嵌入的过程是有效的,因为相关矩阵的大小比传统的non-local网络小一阶。类似地,可以将左图像的特征图的有用信息嵌入到右图像的有用信息中。
(3)在输入左图像和右图像的情况下,只能使用上述除雾框架对左图像或右图像进行除雾。但是发现,通