【论文解读】PHMLD_Wei-Ting Chen_TIP2020

 问题提出

 Related Works

 

       随着学习技术的发展，已经提出了几种基于合成数据的除雾算法。 唐等。 [7]使用随机森林计算每个补丁的传输值。 蔡等。 [8]基于称为DehazeNet的端到端系统，预测了每个补丁的传输值。 任等人。 [9]提出了MSCNN来准确预测传输图。 Li等。 [10]重新制定了雾度形成模型，以结合大气光信息和透射图来实现无雾图像恢复。 任等人。 [20]提出了基于CNN的视频雾度去除算法。 Zhang和Patel unskip [21]介绍了霾形成模型，并利用GAN来获得清晰的结果。 在CVPR 2019 [22]中，提出了一种基于补丁图概念的算法，可有效解决雾霾去除中的颜色失真问题。

        GAN的体系结构由Goodfellow等人提出。 同时训练了生成器和鉴别器，以提高这两个网络的性能。 这种新颖的体系结构已被广泛用于各种图像处理任务中，例如超分辨率[24]，去除雨水或雾霾[25]，图像美化[26]，图像翻译[27]，[28]和图文图像 合成[29]，[30]，[31]。 由于这种体系结构的优点，我们采用GAN作为我们提议的网络的骨干网，因为它能够有效地学习补丁图和恢复图像。

 方法提出

       本节介绍了建议的PMHLD网络。该网络的流程图如图3所示。所提出的网络基于两种类型的除雾策略，即基于补丁图的DCP和混合学习DehazeNet。它的体系结构可以分为两部分，即无雾图像生成器和无雾图像鉴别器。在发生器部分，透射图和大气光是需要估计的两个关键变量。为了预测传输图，选择DCP作为主干，因为与其他基于手工优先级的除雾方法相比，它具有出色的性能。但是，使用DCP恢复的结果通常可能会出现严重的颜色失真问题。因此，需要分析造成这种颜色失真的原因。为了解决这个问题，已经提出了一种称为补丁图的新功能。为了准确生成补丁图，已经设计了一个双注意力补丁图选择网络。对于除雾的另一个重要变量，大气光估计，已经开发了一个估计网络来精确预测。对于无雾的鉴别器部分，由于我们希望获得的重建结果尽可能接近清晰的图像，因此采用了鉴别器架构。在以下小节中将详细介绍上述技术，下图为方法的整体结构：

       传统的DCP可以通过准确估计透射图来获得无雾结果。但是，它的性能在某些情况下可能会受到限制[3]（例如，在包含白色或明亮场景的图像中过饱和和颜色失真）。导致这些问题的主要原因是补丁大小固定。在传统的DCP中，假定三个颜色通道中的局部色标的最小值为零。但是，此假设在某些情况下可能不成立，因此可能会使恢复的图像质量下降。使用（3）之前的原始DCP，可以从（5）估算t（x）。但是，当补丁大小固定为较小值时，