基于特征级联卷积网络的双目立体匹配

针对图像序列病态区域匹配歧义性以及稠密视差图连通性的问题,本文提出一种基于特征级联卷积神经网络的双目立体匹配计算方法.构造特征重用的全卷积密集块,利用“跳连接”机制将浅层提取的特征图级联到后续子层,对深层卷积丢失的局部特征信息进行补偿.引入指示函数划分一定大小的训练集,将其批量输入特征级联卷积网络模型进行前向传播,同时通过小批量梯度下降(Mini-Batch Gradient Descent,MBGD)策略更新初始权重和偏置参数.根据负连接神经元对网络模型的输出进行初始匹配代价计算,并利用十字交叉域代价聚合(Cross Based Cost Aggregation,CBCA)和半全局立体匹配(Semi-Global Matching,SGM)等算法对代价函数进行优化,求得精准稠密的视差图.分别采用Middlebury数据库提供的训练和测试立体图像集对本文方法和深度学习方法MC-CNN、CBMV、MC-CNN-WS等具有代表性方法进行对比测试.实验结果表明,本文方法具有较高的视差计算精度和鲁棒性,尤其对复杂场景、光照变化以及弱纹理等困难场景图像序列能有效提高匹配率和保持图像细节.

结合FC-DenseNet和WGAN的图像去雾算法

针对现有图像去雾算法严重依赖中间量准确估计的问题,提出了一种基于Wasserstein生成对抗网络(WGAN)的端到端图像去雾模型。首先,使用全卷积密集块网络(FC-DenseNet)充分学习图像中雾的特征;其次,采用残差学习思想直接从退化图像中学习到清晰图像的特征,实现端到端的去雾;最后,使用均方误差和感知结构误差函数作为模型的损失函数,以确保生成图像结构和内容的相似度,并使用WGAN对生成结果细致优化,生成清晰逼真的无雾图像。实验结果表明,在合成雾天数据集上,该算法在结构相似度上比其他对比算法提高了4%;在自然雾天图像上,由该算法恢复的图像具有较高的清晰度和对比度,在主观评价上优于其他对比算法。