GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing(ICCV2019)

change_lkl

已于 2022-10-27 11:28:26 修改

阅读量1.8k

点赞数

CC 4.0 BY-SA版权

文章标签：深度学习人工智能

于 2022-10-04 11:16:47 首次发布

本文链接：https://blog.youkuaiyun.com/change_lkl/article/details/127159524

1摘要

我们提出了一个端到端可训练的卷积神经网络(CNN)，命名为GridDehazeNet，用于单幅图像去雾。GridDehazeNet由三个模块组成:预处理、主干和后处理。与由手动预处理方法产生的那些导出输入相比，可训练预处理模块可以产生具有更好多样性和更相关特征的学习输入。主干模块在网格网络上实现了一种新颖的基于注意力的多尺度估计，可以有效缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助于减少最终输出中的伪像。实验结果表明，GridDehazeNet在合成图像和真实图像上均优于当前最先进的方法。

2GridDehazeNet

提出的GridDehazeNet是一个端到端的可训练网络，具有三个重要特征。

不依赖大气散射模型:在上述单幅图像去雾方法中，只有AOD网和GFN不依赖大气散射模型。然而，就合成图像上的去雾结果而言，没有提供令人信服的理由来说明为什么忽略该模型有任何好处。从模糊图像中估计t(x)是一个不适定问题。然而，这是令人困惑的，因为估计t(x)(是独立于颜色通道)可能比估计 $J_{i}$ (x)更容易i=1，2，3。

在图2中，我们提供了一种可能的解释，即为什么如果盲目地使用t(x)与颜色通道无关的事实来缩小搜索空间会有问题，以及为什么在搜索最佳t(x)时放松这种约束可能是有利的。然而，通过这种放松，大气散射模型在估计过程中没有提供维数减少。更重要的是，众所周知，CNN的损失面通常表现良好，因为局部最小值通常几乎与全局最小值一样好。另一方面，通过将大气散射模型结合到CNN中，基本上引入了本质上与网络其余部分不同的非线性分量，这可能产生不期望的损耗表面。