DehazeGAN - thatbrguy

最新推荐文章于 2023-08-10 18:22:22 发布

larkii

最新推荐文章于 2023-08-10 18:22:22 发布

阅读量917

点赞数

分类专栏：去雾论文笔记 GANBased

本文链接：https://blog.csdn.net/weixin_44795555/article/details/104655926

版权

去雾论文笔记同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

GANBased

2 篇文章 0 订阅

订阅专栏

1. 概述

作者将CGAN应用于图片去雾。

2. 生成器

生成器如图1所示：

图1 生成器

图2 生成器的细节部分

网络数据如表1所示：

表1 生成器的网络结构，输入为（256，256，3）

作者将54层提拉米苏网络作为生成器，得益于DenseNet，相对U-Net大大减少了参数量。其中有5个稠密块（DenseBlock）在编码器端，5个稠密块在解码器端，一个稠密块作为bottleneck。

在编码器端，稠密块连接在下采样层（Transition Down）后面。TD层包括 BN-ReLU-Conv 操作。每次经过上采样层，输出尺寸变为两倍大小。

在解码器端，稠密块连接在上采样层（Transition Up）后面。TU层仅包含转置卷积（Transpose Convolution）。每次经过下采样层，输出尺寸变为二分之一大小。

编码，解码端的每个稠密块有4层；bottleneck中的稠密块为15层，生长率（growth rate）固定为12。

Bottleneck Block，其意思就是输入输出维度差距较大，就像一个瓶颈一样，上窄下宽亦或上宽下窄。

3. 判别器

作者使用与原始CGAN论文相同的判别器网络(Patch GAN)，如图3所示。

图3 判别器网络结构

判别器采用patch-wise比较来代替pixel-wise比较。网络数据如表2所示：

表2 判别器网络结构

4. 损失函数

$L_{total}=W_{gan}\times L_{adv}+W_{L_1}\times L_{L1}+W_{vgg}\times L_{vgg} \tag{1}$
1. CGAN损失函数：
$L_{adv}=E_{(x,y)}[log(D(x,y))]+E_{(x,z)}[log(1-D(x,G(x,z)))] \tag{2}$ 其中 $x$ 为有雾图像（条件信息）， $y$ 为无雾图像，作者将dropout作为噪声 $z$ （dropout在一定条件下可理解为高斯噪声）。 $W_{gan}$ 为标量，表示权重。

2. 平滑L1损失函数：
$L_{L1}=E_{x,y,z}[|y-G(x,z)|]\tag{3}$
3. 感知损失：
$L_{vgg}=\frac{1}{CWH}\sum_{c=1}^{c}\sum_{w=1}^{w}\sum_{h=1}^{h}||V(G(x,z)^{c,w,h}-V(y^{c,w,h})||_2^2\tag{4}$ 其中 $c, w, h$ 分别表示channels，width，height。