33、单图像去雾的深度学习方法比较研究

单图像去雾的深度学习方法比较研究

1. 基于深度神经网络的去雾工作

在卷积神经网络（CNN）用于图像去雾方面已经开展了不少工作，但早期的CNN网络无法捕捉雾天图像的内在属性，因此对CNN网络进行了改进以获得理想的去雾效果。以下是该领域近期的一些研究成果：
- 大气照明先验（AIP）网络 ：由Wang等人提出，这是一种图像到图像的映射网络。它考虑了YCrCb颜色空间的亮度通道，包含融合网络和去雾网络。去雾网络识别雾的特征并恢复亮度通道中缺失的细节，融合网络则在颜色空间中融合三个通道的不同属性。不过，该方法未考虑YCrCb颜色空间中的不平衡问题。
- 三通道传输图计算网络 ：Ling提出的基于CNN的深度网络，可自动学习与雾相关的特征，并联合使用RGB类型的局部补丁颜色通道。研究发现，最具信息性的雾相关特征是三个颜色通道和局部空间信息。
- 混合模型（Deeptrans Map） ：Huang等人提出的基于单图像的混合模型，结合了有监督和无监督学习。无监督学习用于学习雾天图像的特征，包括颜色、亮度和结构等，有监督学习则通过修改隐藏层的数量和大小来表示图像细节并获得传输图。但该方法不适用于雾分布不均匀的图像和夜间雾天图像。
- CNN - RNN网络 ：You等人提出的卷积神经网络和循环神经网络的组合，作为连接粗粒度到细粒度模块的桥梁。CNN负责全局视图，RNN负责局部视图。该网络在有限场景下能预测绝对能见度，在不同情况下预测相对能见度表现良好，且在数据较少时能准确调整模型。
- 基于残差网络的深度CNN <