摘要
单图像去去雾处理是现代许多自动视觉应用中的一个关键阶段。早期的原始方法通常涉及到对手工制作的能量函数的耗时最小化。最近的基于学习的方法利用深度神经网络(DNNs)的表征能力来学习模糊和清晰图像之间的潜在转换。由于收集清晰和模糊图像的固有局限性,这些方法需要对合成数据进行训练;由室内图像和相应的深度信息构建。这可能会导致在处理户外场景时可能发生的领域转移。我们提出了一种完全无监督的训练方法,通过最小化著名的暗通道先验(DCP)能量函数。我们不再使用合成数据,而是只使用真实世界的户外图像,并通过直接最小化DCP来调整网络的参数。虽然我们的“深度DCP”技术可以看作是DCP的快速近似器,但它实际上显著提高了它的结果。这表明通过网络和学习过程获得了一个额外的正则化。实验表明,我们的方法的性能与其他大规有监督的方法相同。
一、引言
此外,它还引入了一个额外的环境光组件,称为空气,在清晰的图像上产生“面纱效应”。模糊图像的形成通常被描述为清