DRCDN:学习深度剩余卷积去雾网络
深度学习
最后更新 2020-06-22 16:01 阅读 5801
最后更新 2020-06-22 16:01
阅读 5801
深度学习
DRCDN: learning deep residual convolutional dehazing networks
简介
文章提出了一种基于卷积神经网络的端到端深度残差卷积去雾网络。其由两个子网组成:一个用于去 雾,另外一个用于优化前者的去雾结果。
Motivation
文章指出了GFN《Gated Fusion Network for Single Image Dehazing》(门控融合网络)中的几个问 题:
GFN从有雾图中得到三个中间结果(白平衡图,对比度增强图,伽马校正图),再通过网络学习这 三个中间结果的权重图。如果这些中间结果不包含足够的信息来去雾,就会产生低质量的去雾结 果。文章直接从模糊图像中提取特征来避免信息损失。
从三个中间结果中学习权重图然后进行混合是一件复杂的任务。文章通过端到端学习避免了复杂的 混合。
以往的方法都是基于室内合成雾数据集来训练的,但是这样的方法不能有效的处理其他户外真实的 图像。
文章产生了以下几个想法:
物体以不同比例出现。在过去的某些论文里,使用了多尺度卷积的技巧来提高去雾效果。但是文章 发现这样的做法并不能很好的去雾,所以想到了引入扩张卷积的方式。 但是扩张卷积会引起伪影,残差网络可以消除这样的伪影。
Model
其中point-wise指1*1的卷积。Dilated指扩张卷积。residual指残差连接。base指基础结果。黄色块和 红色块叠加在一起为最后的去雾结果。
虽然文章是和门控融合网络对比,但是网络的本质思路和门控融合网络有本质区别。门控融合网络是先 对有雾图像做基础的增强,然后融合几个增强的结果。而本文和普通的网络一样,只是执行端到端的去 雾映射。
损失
损失函数为 l1和vgg 损失。
对比和测试
测试指标
PSNR SSIM
指标对比
结果展示
本文链接地址:https://www.flyai.com/article/artb7921f8714c296fa1a3d6098?type=e