基于知识蒸馏的单幅图像去雾方法

基于知识蒸馏的单幅图像去雾方法

期刊：计算机工程 C

时间：2022

研究院：南京邮电大学

关键词：图像去雾；生成对抗网络；知识蒸馏；教师网络；学生网络

相关工作

基于学习的方法通过利用卷积神经网络（CNN） 从大量训练数据中提取图像特征，学习图像对之间的映射关系。早期的大多数方法仍然基于大气退化模型恢复无雾图像

例如，Ren 等[4]提出的 MSCNN 和 Cai 等[5]提出的 DehazeNet 是最早采用 CNN 进行图像去雾的算法，这两种方法都先使用 CNN 来估计透射率，再根据大气散射模型得到无雾图像。但由于缺乏有效的先验知识，难以准确估计大气光值 A 和传输率 t(x)，去雾效果并不理想

因此，第二类端到端的学习方法逐渐被提出，将有雾图像输入网络模型直接得到无雾图像，无需估计大气散射模型的中间参数

例如，Qu 等[6]将去雾任务视为图像到图像的转换问题，提出了一种基于增强的 pix2pix 去雾网络 EPDN，获得了具有良好视觉效果的无雾图像。Liu 等 [7]最近提出 GMAN，一种基于残差模块和编码器解码器结构的去雾模型,该模型在一些标准的去雾数据集上取得了良好的去雾效果

本文

1）设计一种基于编码器-解码器结构的条件生成对抗网络（CGANs）用于图像去雾。将蒸馏模型中的教师网络设计成具有较多网络层数及权值参数的重型网络，并设计三种不同参数规模且精简于教师网络的学生网络模型，以对比不同简化程度下学生网络的去雾性能。

（2）提出一种融合图像高、低频分量的方法（HLF -CGAN）， 即将频率信息作为去雾的附加约束条件。 首先将欲输入判别器的图片进行傅里叶变换，再使用拉普拉斯算子、高斯滤波器得到相应的滤除高频或低频后的图片，最后将三者拼接后一起输入判别器。

(3) 提出一种将以过程为导向的损失函数和以结果为导向的损失函数联合成总损失函数的方法来衡量教师网络和学生网络之间的特