代码地址:https://github.com/AlonaGolts/Deep_Energy
论文地址:https://ieeexplore.ieee.org/document/8897130
目录
Abstract
摘要—单幅图像去雾是当前计算机视觉中的一个重要的研究课题。早期基于先验知识的方法通常包括比较耗时的最小化能量公式问题,最近基于学习的方法利用深度神经网络(DNN)来学习朦胧图像和清晰图像之间的潜在转换。由于收集匹配的清晰和朦胧图像的固有局限性,这些方法诉诸于合成数据的训练。 由室内图像和相应的深度信息构建而成。 在处理室外场景时,这可能会导致域转移。本文提出一种无监督训练方法,不使用合成数据来向网络馈送数据,而是仅使用真实的户外图像并通过直接最小化DCP来调整网络参数。(We propose a completely unsupervised method of training via minimization of the well-known, Dark Channel Prior (DCP) energy function. Instead of feeding the network with synthetic data, we solely use real-world outdoor images and tune the network’s parameters by directly minimizing the DCP)