ECCV 2018 Proximal Dehaze-Net: A Prior Learning-Based Deep Network for Single Image Dehazing

Abstract

在朦胧的天气拍摄的照片通常覆盖着白色面具，并且经常丢失重要的细节。在本文中，我们提出了一种新的深度学习方法，通过学习暗通道和传输图先验来实现单图像去雾。首先，我们使用暗通道和传输图先验建立了一个用于除雾的能量模型，并使用邻近算子设计了这两个先验的迭代优化算法。其次，我们通过使用卷积神经网络学习邻近算子，将迭代算法展开为深度网络，称为邻近去雾网络。我们的网络结合了传统的基于先前的去雾方法和深度学习方法的优势，将雾霾相关的先前学习结合到深层网络中。实验表明，我们的方法达到了单图像去雾的最先进性能。

1.Introduction

去雾模型公式

去雾模型

传统方法:
1.tan 对比度入手
2.Fattal 在假设传输图和清晰图像纹理不相关的时候，使用独立分量的方法估计传输图(看不大懂。。）
3.He 从没雾的图像的三个通道中的最小点接近于0的情况，提出了暗通道方法。
这三种方法都是利用先验或者雾的物理性质,但这些图对于真实情况和在人的观察下表现的不是很好。比如He的方法会把天空背景和雾进行搞混。
深度学习方法：

Ren 采用了多尺度卷积网络来学习雾图的传输图的特征。由一个由粗到细网络和一个细处理网络
Cai 提出了端到端
Li AOD网络提出了一个K模块把传输图T和大气强度A两个变量融合在一起，避免两个变量的误差
还有cvpr18中主要提出的使用gan网络用合成的方式来去雾

    然后本文提出这些方法都没有考虑雾的先验，相比传统方法。
    在本文中，我们提出了一种新的基于深度学习的方法，该方法将雾霾成像模型约束和图像先验学习集成到单个网络架构中。首先，基于雾霾成像模型，我们将单图像去雾的逆问题表示为能量模型，在颜色和暗通道空间中具有雾霾成像约束，由暗通道和透射先验正则化。其次，我们设计了一种使用半二次分裂的迭代优化算法，共同估计透射图和潜在的无雾图像。第三，我们将这种迭代算法展开为深度结构，称为邻近去雾网络，通过使用卷积神经网络学习相应的邻近算子来隐式地学习传输和暗通道先验。我们通过消融研究证明了学习的暗通道和传输先验的有效性，并且学习的近端dehaze-net导致真实和合成数据集的最新结果。
    据我们所知，这是第一个使用CNN学习单个图像去雾的暗通道和传输图T先验的作品。与传统的基于先验的方法相比，我们的方法可以从训练数据中区别地学习与雾霾相关的先验，而不是使用手工制作的先验。与基于深度学习的去雾方法相比，我们的方法将雾霾成像约束和雾霾相关先验学习结合到网络体系结构中，这可以提供一种有前途的基于学习的方法来解决具有挑战性的去雾的反问题。

2.Related Work

1.暗通道

暗通道

传输图

Learning CNNs for image inverse problems
与这些工作相比，我们专注于单图像去雾，这是一个具有挑战性的反问题，在成像模型中有更多的未知变量。在这些工作中，我们不使用常见的线性逆模型，而是将单个图像去雾指定为具有暗通道和传输图先验的非线性逆问题（将在第3节中讨论）。然后，我们提出了一个迭代求解器，并构建了一个深层体系结构，其中包含了单个图像去雾的先验学习。这种提出的能量模型和去雾网络是新颖的，并且学习的网络在单个图像去雾中实现了最先进的结果。