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