Joint Transmission Map Estimation and Dehazing using Deep Networks

模型

整个网络包括三个子网络，如图。

• transmission map estimation
  传播图估计网络是一个CGAN网络，包含两个子网络：生成网络G和对抗网络D
  生成网络：有类似U-net结构的跳跃级联结构
  C(15)-CBP(30)-CBP(60)-CBP(120)-CBP(120)-CBP(120)-CBP(120)-CBP(120)-TCBP(120)-TCBP(120)-TCBP(120)-TCBP(120)-TCBP(60)-TCBP(30)-TCBP(15)-TC(1)-tanh
  对抗网络：
  CB(48)-CBP(96)-CBP(192)-CBP(384)-CBP(384)-C(1)-sigmoid
  损失函数：均方误差损失+对抗损失

• haze feature extraction
  一个可行的方案是：让网络直接学习传播图和去雾图之间的非线性映射关系，但是这里有一个问题，就是在论文Image-to-image with conditional adversarial networks中所说的，当网络在学习类标签图像和RGB彩色图像之间的映射时，很难保留图像原有的彩色信息，因此，即使网络学习到的映射关系能够产生视觉上理想的结果，也不可能精确地预测出去雾后图像。
  为了确保去雾后的图像和原图像保持色彩恒常，作者这里借鉴了论文Deep Joint Image Filtering中的做法，用一个guidance image联合估计出的传播图一起作为第三个去雾网络的输入。这里的guidance image就是子网络haze feature extraction提取出的高维特征。
  网络结构和guided image dehazing一样。