DGF网络

DGF

Deep Guided Filtering Network的目标是利用低的计算代价，生成全分辨率，并保留边缘特征的输出。

采用coarse-to-fine的思路。下采样原始输入图像$I_h$, 得到低分辨率输入$I_l$。输入到CNN中$C_l(I_l)$，得到对应的低分辨率输出$O_l$。然后以$I_l$, $I_h$, $O_l$作为输入，生成最终的全分辨率输出$O_h$。

$DG{F}_S$

$C_l(I_l)$训练好，生成低分辨率输出$O_l$，然后用guided filter做后处理操作，生成全分辨率输出$O_h$，没有任何训练。

$DG{F}_b$

为了受益于端到端训练，将提出的guided filtering layer插入到$C_l(I_l)$中，命名为$DG{F}_b$。从高分辨率监督目标中直接获得监督信息，学习生成高分辨率输出$O_l$。

实验

图像处理任务

五个不同的图像处理任务上测试提出的guided filtering layer。分别为：$L_0$ smoothing, non-local dehazing, multiscale detail manipulation, photographic style transfer, image retouching。