基于统一生成对抗网络的视觉消霾
深度学习
最后更新 2020-06-15 11:25 阅读 180
最后更新 2020-06-15 11:25
阅读 180
深度学习
Visual Haze Removal by a Unified Generative Adversarial Network
简介
文章对于去雾问题提出了名为HRGAN的新网络,顾名思义是生成器-鉴别器的对抗式生成网络。HRGAN 能够联合估计大气散射模型中A,t和去雾结果J。生成器部分称为UNTA,意味联合了A,t来估算最终去 雾结果J。鉴别器负责区分生成器的去雾结果和Gth。文章使用了像素损失(pixel-wise loss),感知损 失(perceptual loss),对抗损失(adversarial loss)。
motivation
首先文章认为以往的基于学习的去雾一般为,估计A,估计t,然后就反向传播了。这样的计算方式孤立 了A和t的估计,如果能够对它的去雾结果J计算一个loss来反向传播会更好。其实有挺多文章是用J来计 算loss的,更有甚者还来一个估计J以后结合A和t来合成有雾图 和输入的有雾图像I计算loss。其实我 还想多写一点motivation,毕竟一段就这么点不太好,但是实在没啥可以写的。写完简介部分,基本 上可以知道整个网络的架构了。可能这是一个在当时比较创新的网络,到现在它用到的网络结构,损失 函数已经是去雾领域中的老生常谈了。
model
生成器(Generator)
生成器网络由Transmission Map模块和Atmospheric Light模块组成,分别负责估计t和A。估计得到的t 和A通过大气散射模型计算得到J,即去雾结果。
鉴别器(Discriminator)
生成器和鉴别器通过以下这条公式来轮流更新权重:
Loss Function
损失函数公式表达如下:
对比和测试
测试指标 PSNR SSIM MSE
合成有雾指标对比