1. Dense Scene Information Estimation Network for Dehazing
(用于去雾的密集场景信息估计网络)![](https://i-blog.csdnimg.cn/blog_migrate/97b1bd3f859aa23c859798d14c632898.png)
Decoder.A:估计环境光A
Decoder.t:估计透射图t
Decoder.J:直接恢复去雾图像,在训练过程中为Decoder.A和 Decoder.t提供guideline,使恢复后的图像更接近于真实图像Ground Truth,且其所有输出都会连结在一起输入至refine10-13中
2.BidNet:无视差估计的双目图像去雾(CVPR2020)
![](https://i-blog.csdnimg.cn/blog_migrate/77358ac8bc6d887333f1340e6d614354.png)
图(a)双目图像去雾网络(BidNet)的总体架构。BidNet输入双目模糊图像对并输出无雾的双目图像对。(b)转换模块(STM)的结构。提出了STM来探索和编码双目图像对之间的关系
如图所示,BidNet网络输入双目有雾图像对并估算透射图、大气光,同时对双目图像对进行去雾。BidNet的架构如图(a)所示。引入了STM(Stereo Transformation Module )来探索和编码双目左右图像之间的相关性。
整体结构分为两个部分,一个是Stereo Transmission Map Estimation Network(TMENet立体传输图估计网络ÿ