用于图像去雾的无监督条件解开网络【UNSUPERVISED CONDITIONAL DISENTANGLE NETWORK FOR IMAGE DEHAZING】

摘要

提出了一个使用非成对数据集的无监督条件解缠网络 (UCDN)。我们的方法通过引入基于物理的解缠结来加强约束。与其他无监督去雾模型不同，我们的方法适应了雾的多浓度，并在不同浓度的数据集上表现出色。

贡献：

1、添加条件解开网络改进了 CycleGAN 的单图像去雾，该网络在合成数据集上优于现有的基于 CycleGAN 的去雾模型。
2、收集了一个具有挑战性的大规模自然图像去雾数据集，其中包含超过 3500 张有雾的图像和 4000 张无雾的户外场景图像。此外，根据不同的浓度，我们将朦胧图像分为 3 个子集：light、medium 和dense

2.2节：
在去雾问题中，一张无雾图像可以描述为不同浓度的多雾图像的叠加，这解释了为什么传统的 CycleGAN [13] 在多浓度数据集上表现不佳。