Self-Guided Image Dehazing Using Progressive Feature Fusion
摘要：
提出一个有效的算法，这个算法有三个部分，pre-dehazer, progressive feature fusion module, image restoration，
这三个部分，依次发挥作用。
架构图
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Cm4MUFxs-1689085852494)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230711200147442.png)]](https://img-blog.csdnimg.cn/9671051c2a9549a68876949bba3c5ddb.png)
1、Pre-dehazer：由大气散射模型变形得到如下公式：
J
(
x
)
=
I
(
x
)
1
t
(
x
)
+
A
−
A
t
(
x
)
J(x) = I(x)\frac{1}{t(x)}+A-\frac{A}{t(x)}
J(x)=I(x)t(x)1+A−t(x)A
作者认为：理想状态下，A应该是一个常数，而在理想状态下，A只会影响颜色，而不会影响结构。所以用A=1就可以得到一个具有结构信息的图像，而为了更加精确地估计
t
(
x
)
t(x)
t(x)，本文预测
W
(
x
)
W(x)
W(x)，来代替
t
(
x
)
t(x)
t(x)，所以得到如下公式：
J
(
x
)
=
I
(
x
)
1
W
(
x
)
+
1
−
1
W
(
x
)
J(x) = I(x)\frac{1}{W(x)}+1-\frac{1}{W(x)}
J(x)=I(x)W(x)1+1−W(x)1
两式结合得到
W
W
W的表达式：
W
(
x
)
=
t
(
x
)
(
I
(
x
)
−
1
)
t
(
x
)
(
A
−
1
)
+
I
(
x
)
−
A
W(x) = \frac{t(x)(I(x)-1)}{t(x)(A-1)+I(x)-A}
W(x)=t(x)(A−1)+I(x)−At(x)(I(x)−1)
然后利用一个神经网络来预测
W
(
x
)
W(x)
W(x)，这里就和2017年ICCV的AODNet一样，结合大气散射模型和神经网络，就已经可以得到一个相对比较不错的结果。
下面就是Pre-dehazer的架构图，同时也是Image Resrtoration的架构图，区别就是第一个卷积核不一样
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Nyyxerst-1689085852495)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230711214709445.png)]](https://img-blog.csdnimg.cn/4732afcc19224032b8839b3b8b5d7ffe.png)
2、progressive feature fusion module
首先是PFF之前有一个特征提取的操作，在代码中是
F
e
a
t
u
r
e
=
s
e
l
f
.
R
e
s
b
l
o
c
k
(
s
e
l
f
.
r
e
l
u
(
s
e
l
f
.
c
o
n
v
(
x
)
)
)
Feature = self.Resblock(self.relu(self.conv(x)))
Feature=self.Resblock(self.relu(self.conv(x)))
在代码中，一个PFF模块包括两个UAF模块，下图是UAF的架构图
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-oIaFSDWA-1689085852496)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230711221155042.png)]](https://img-blog.csdnimg.cn/27c2c9293fc54d7087331deb1be98231.png)
损失函数
损失函数有三个：
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jVaYrw5T-1689085852497)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230711221453490.png)]](https://img-blog.csdnimg.cn/6cb5d17ac40549d2922e625316032395.png)
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-U4VyjeNT-1689085852498)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230711221459937.png)]](https://img-blog.csdnimg.cn/d828ad36abe940cea1afaf62ae60ef06.png)
分别是L1损失，L1损失包括恢复图的损失，和参考图的损失， L g r a d L_{grad} Lgrad为边缘损失， L t v L_{tv} Ltv是对 W W W的梯度损失
最终损失;
![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lPvYnhVb-1689085852499)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\image-20230711221717826.png)]](https://img-blog.csdnimg.cn/8c688c4a3024494fae3ab99815ac23d3.png)
超参数分别是1，0.1，0.05.
训练方法
网络首先训练 N r N_r Nr，其初始学习率为1e-5，然后再联合训练整个网络。batchsize为8，epoch为200，训练集图像大小为256，测试集为512。
总结
剩下的一些表格和摘要可以直接看原文，总的来看这篇文章的思路很明确，但是其对比实验似乎并不多，当时的CVPR2020,2021的论文已经有了，那FFANet这个SOTS上有效的网络并没有放上去。总之文章很容易看懂，思想也非常简单，等将代码训练好将继续更新下这篇博客，看是否可复现。
925
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
