嫌随机森林去雾效果不好，你行你上啊——DehazeNet端到端的去雾

嫌随机森林去雾效果不好，你行你上啊——DehazeNet端到端的去雾

虽然tang-2014提出了去雾的机器学习方法，但它是基于随机森林的，必须首先抽取图像特征，然后将特征向量输入随机森林。这不是一种端到端的学习方法。很自然人们会尝试采用CNN模型去进行端到端的训练，那么是否采用深度学习呢？直观地看上去，去雾任务没有目标识别那么复杂，那么采用浅层网络够不够呢？

Bolun Cai在2016-MIP发表的DehazeNet-An End-to-End System for Single Image Haze Removal一文，回答了这个问题。他们提出的DehazeNet去雾模型基于手工特征，又超出传统方法，取得了更好的去雾结果。它是一种端到端的训练模型，用于估计传输率。输入雾图，输出传输率映射图，然后通过大气散射模型来恢复无雾图像。采用深度CNN结构（有多深呢？4层而已），并提出了一种新的非线性激活函数——双边矫正线性单元，它提高了恢复图像的质量。

本文首先回顾了近期去雾算法的进展：

1）马尔科夫随机场MRF方法，基于无雾图像具有更高的对比度的假设。

2）独立成分分析ICA方法，基于最小输入

3）当然，还有这个无处不在的暗通道法DCP

特别谈到了最近才开始采用的机器学习框架：

4）Tang-2014, 随机森林，联合四种雾化特征

5）Zhu-2015 , 线性模型，基于色彩衰减先验，采用监督学习来学习模型参数

另外，本文还提到了许多基于CNN的、用于低级视觉任务的、深度学习方法，如图像恢复和重建。但在本文之前，还没有用于图像去雾的。本文认为，传输率估计是对去雾最重要的。因此，本文提出了DehazeNet，这种基于CNN的端到端的学习模型，用于传输率估计。其输入就是雾图，输出传输率。
本文的贡献：

1）提出的DehazeNet是端到端的系统，它直接从雾图块及对应的传输率进行学习。

2）提出的双边矫正线性单元BReLU，改善了恢复图像的质量。

3）分析了DehazeNet与已有去雾技术之间的关系。

那么这个DehazeNet究竟是什么呢？请关注爱在上工。