简介:
本文提出了一种新的端到端单幅图像去雾方法——密连金字塔去雾网络(dcpdn) ,它可以将透射图、大气光和去雾三者结合起来共同学习。通过将大气散射模型直接嵌入到网络中,实现端到端的学习,从而确保该方法严格遵循物理驱动的散射模型。基于密集网络能够最大化不同层次特征的信息流的思想,提出了一种新的基于多级金字塔池模块的保边密连编译码器结构,用于估计传输映射。该网络利用新引入的边缘保持损失函数进行优化。为了进一步融合估计传输图与去模糊结果之间的相互结构信息,我们提出了一种基于生成对抗性网络框架的联合鉴别器来判断对应的去模糊图像和估计传输图是真是假。通过消融实验,验证了各个模块在估计透射图和去模糊结果上的有效性。大量的实验表明,与现有的方法相比,本文提出的方法取得了显著的改进。
主要网络结构:
透射图估计(提出的金字塔密集连通传输图估计网络综述):
提出了一种密集连接编码器结构,该结构利用CNN多层的特征,其中密集块用作基本结构。使用密集块的原因在于,它可以最大化沿这些特征流动的信息,并通过连接所有层确保更好的收敛性。此外,通过将“全局”结构信息考虑到优化中,采用多级金字塔池模块来细化学习的特征。为了利用稠密网络的预定义权重,我们采用了第一个Conv层和前三个Dense block,以及来自预先训练的稠密网络121的相应下采样操作过渡块作为编码器结构。编码部分末尾的特征尺寸为输入尺寸的1/32。为了将传输图重建为原始分辨率,堆叠了5个有refin