Dense Scene Information Estimation Network for Dehazing?

Dense Scene Information Estimation Network for Dehazing?_第1张图片

 

一. 论文信息简介

(1)题目的含义:

个人理解,这里的dense包含两层含义:

a. 论文针对真实场景中浓雾(dense haze covered)进行去除,这是dense的第一层含义;

b. 论文的feature network基于dense net,这是dense的第二层含义;

(2)作者信息:

本文是NTIRE(New Trends in Image Restoration and Enhancement)2019 dehaze赛道中的top1论文,方法简洁,直接,依旧沿用了data driven这个趋势,学习(extimation) haze生成模型中的关键参数,并最终取得了良好的效果.

作者来自宾夕法尼亚州立大学,电子工程系.

二.前言导读

一直以来,图像去雾是一项最具有挑战性的逆向问题.深度学习能够获得质量更高的去雾效果,将这个领域提升到一个新的状态,极大的弥补了传统模型的不足.然而,现实中图像的去雾问题仍旧是一个挑战,现实图片往往被浓雾遮挡,甚至从视觉上看不到场景信息.

深度学习的一般做法是,利用网络参数,估计haze模型中的物理参数:

ambient light(环境光) : A

transmission map(透射率) : t

  而haze模型如下:

  I(x) = J(x) t(x) + A(1 - t(x))

       其中,I(x)为被雾遮挡的实际图像,J(x)为理想中的无遮挡清晰图像(隐藏的参考图像),t(x)为透射率,AA AA为环境光参数.

      透射率,表示透明体透过光的程度,通常用透过后的光通量与入射光通量 之比表示,在这里可以理解为haze dense的程度.

  环境光,我理解是当时的光照环境,同时影响颜色,阴影等效果.  

  估计出上述两个参数后,就可以逆向计算出J(t).

       传统的去雾方法可以参考:Single Image Haze Removal Using Dark Channel Prior,这是何凯明大神的博士之作,功底可见一斑.但是,传统的方法,和window size的选择有很大关系,形成的效果容易造成不平滑,规则简单.深度学习的方法会利用数据进行训练,利用不同尺度下的特征及复杂的非线性拟合,自发学习不同环境下的参数,达到的效果要好很多.

  三.网络结构及损失函数

  在这里选用其中的AtJ-DH模型进行介绍,具体各层的详细信息请参见论文table-1, table-2.

  Dense Scene Information Estimation Network for Dehazing?_第2张图片  基本的网络结构如上图,encoder部分采用densenet并利用pretrained model进行训练,encoder的特征被后面的三个decoder使用,其中:

        J_{direct} : 学习haze-free image

        A\hat{^} :学习环境光参数

  t\hat{^} : 学习透射率参数

  上述三项,分辨率是相等的,

     Dense Scene Information Estimation Network for Dehazing?_第3张图片

   Dense Scene Information Estimation Network for Dehazing?_第4张图片    

  Dense Scene Information Estimation Network for Dehazing?_第5张图片

你可能感兴趣的:(图像复原)