DehazeNet: An End-to-End System for Single Image Haze Removal

来源：2016 IEEE journal
Cai B, Xu X, Jia K, et al. Dehazenet: An end-to-end system for single image haze removal[J]. IEEE transactions on image processing, 2016, 25(11): 5187-5198.
GitHub - caibolun/DehazeNet: DehazeNet: An End-to-End System for Single Image Haze Removal 有官方代码，用C++实现的（等同于没有，我没法复现）

DehazeNet: An End-to-End System for Single Image Haze Removal (caibolun.github.io) 作者自建了网页，有补充资料

Q：一个深度学习的代码可以用C++实现？？？

1、Abstract

补充知识

1. Haze removal is a challenging ill-posed problem. Existing methods use various constraints/priors to get plausible dehazing solutions.
2. The key to achieve haze removal is to estimate a medium transmission map. 去雾就是要估计介质传输图

本文工作

1. DehazeNet takes a hazy image as input, and outputs its medium transmission map that is subsequently used to recover a haze-free image via atmospheric scattering model.
2. the layers of Maxout units are used for feature extraction, which can generate almost all hazerelevant features.
3. propose a novel nonlinear activation function in DehazeNet, called bilateral rectified linear unit, which is able to improve the quality of recovered haze-free image.——应该不是作者提出的 BReLU，而是将一种方法引入进来使用并做了对比。

2、Related Work

2.1 the atmospheric scattering model（环境散射模型）

也可以表述为：physical corruption model（物理退化模型）

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

I(x)：the degraded hazy image 有雾图

J(x) ：the target haze-free scene radiance 真值图

A：the global atmospheric light 大气光

t(x)：the medium transmission map, which is dependent on the unknown depth information. 介质透射/传输图

$$t(x)=e^{-\beta d(x)}$$
d(x)：the distance from the scene point to the camera深度图

$\beta$：the scattering coefficient of the atmosphere 环境散射因子
$$A=I(x),d(x)\to \infty$$

A = max ⁡ y ∈ { x ∣ t ( x ) ≤ t 0 } I ( y ) \pmb{A}= \mathop{\max}_{y\in \{ x|t(x)\leq{t_0}\}} {\pmb{I}(y)} A=maxy∈{x∣t(x)≤t0​}​I(y)

To recover a clean scene (i.e., to achieve haze removal), it is the key to estimate an accurate medium transmission map.

2.2 Haze Relevant Feature

暂略，没仔细看

3、Thinking

1、作者把工作讲得很细致，看到了一名理工科博士生的素养，详尽准确，对每一个选用的模块都要进行对比论证。

2、做了很多对比实验，一张表格背后是非常多组实验，做科研不易。

4、看图说话

环境散射模型

图一：雾天拍照过程和环境散射模型。

相机采集到的有雾图光来源可分为两部分：原物品穿过雾透射的光 + 大气光。

Q：大气光为什么要乘上 1-t(x)？

模型框架

图二：DehazeNet的网络结构分为特征提取、多尺度映射、局部极值、非线性回归。

因为目前不复现该论文，只看看作者用了什么结构就好，细节略。

控制变量定模型细节

比较了Maxout 和另外两种激活函数的收敛速度，说明选用 Maxout 更好。

Q：特征提取时的激活函数叫低维度映射，而非线性回归阶段叫激活函数？

Q：$F_1$ 和 $F_4$ 分别是什么？网络结构介绍部分有说，大概就是特征提取层和最后的非线性回归层各自的结果，参照表格1。

定量结果

BR：写的MSE、SSIM指标有点离谱，过拟合了吧？

表五：Coefficient系数|Artlight环境光|Scale尺度|Noise噪声鲁棒性评估和MSE的关系

定性结果

图十：反眩光的图像增强效果

图十一：DehazeNet重建的除雾图和深度图