一种基于循环生成式对抗网络的去雾算法

针对现有基于学习的去雾算法在处理过程中需要成对的数据来训练网络参数的问题,提出了一种基于循环生成式对抗网络的去雾算法.该算法通过使用编码器-解码器(Encoder-Decoder,ED)体系结构来构建生成器网络,然后采用一种不成对的图像训练方法来训练网络参数,估计出传输图,最后根据估计的传输图和大气光值,利用光学模型恢复出无雾清晰图像.实验结果表明:对于室内、外有雾图像,本文提出的方法可以在不发生任何颜色失真的情况下恢复无雾场景,而且相对于其他方法,该方法在多个评价指标上都有明显的性能优势.

基于改进循环生成式对抗网络的图像去雾方法

针对现有图像去雾方法存在的颜色失真、细节丢失以及去雾效果不自然等问题,提出一种改进的循环生成式对抗网络用于图像去雾。通过添加多尺度鉴别器作为判别器来改进原始网络结构,增强判别能力,引导网络产生更精细自然的无雾图像。同时重新设计损失函数,使用最小二乘代替交叉熵作为对抗损失,引入循环感知损失,结合原始循环一致性损失组成新的复合损失函数,提高图像颜色与细节恢复的质量。在D-HAZY和SOTS数据集上的实验结果表明:该方法能够生成较为自然的无雾图像,其主观效果和客观指标均优于对比方法,具有更好的去雾能力;与原始循环生成式对抗网络相比,峰值信噪比从19.052 dB提高至23.128 dB,结构相似性指数从0.787提高至0.867。与DehazeNet、AOD-Net与GCANet等主流去雾方法相比,峰值信噪比和结构相似性指数比排名第二的方法分别提升7.1%和4.3%。

基于循环生成式对抗网络实现停车场时空数据的修复

停车诱导技术在一定程度上缓解了高峰时段无序停车问题,并减少了司机寻找车位的时间,但停车诱导系统对实时数据和历史数据有较高的依赖。如果缺少相应数据,那么诱导系统的准确性将大打折扣。针对这一问题,该文通过挖掘停车场周围的空间数据,提出了一种停车场空间相似度度量,并计算出停车场空间相似情况下其数据的相似条件概率。当条件概率足够大时,以已知数据为学习样本,使用循环生成式对抗网络获得修复数据。实验结果表明,当停车场空间具有较高空间相似度时,其数据同样有大概率的相似性,使用循环生成式对抗网络生成的数据与真实数据具有相同的分布。该文提出的方法可在短时间内生成大量的合理数据,实现停车场数据的修复,提高诱导系统的可靠性。

基于循环生成式对抗网络的一维时变信号自适应去噪研究

针对传统去噪方法自适应差、对低信噪比时变信号去噪能力不足的问题,提出了一种基于循环生成式对抗网络CycleGAN的信号去噪方法。将广泛用于二维图像数据风格迁移的CycleGAN改进为适用于时序信号的一维CycleGAN,通过含噪信号和无噪信号两个数据集的循环对抗训练,得到信号从含噪空间到无噪空间的端到端最佳映射,从而获得具备自适应降噪功能的去噪模型。经过6组添加了不同信噪比的高斯白噪声的含噪信号集的测试实验,结果表明,该方法对于低信噪比的含噪时变信号具有优越的去噪能力,在信噪比和均方误差这两项指标的评价上都显著优于传统方法。

多模型融合的对抗网络图像去雾研究

为了应对单一网络模型在雾天场景下去雾效果不理想的,去雾后图像颜色失真等问题,提出一种基于循环生成对抗网络(CycleGAN)的多去雾模型融合的去雾算法。首先,在整体去雾模型上,针对不同雾气浓度,将传统的单一模型改为多去雾模型,分别将不同浓度的雾气图像传入对应的去雾网络,接着在生成器模块中引入CBAM注意力机制,帮助模型可以更好的考虑通道上和空间上的影响,赋予重要特征以更多的权重,最后针对生成的无雾图像颜色失真问题,提出一种基于Lab色彩空间的新的色彩损失函数。实验结果表明,与传统的CycleGAN模型相比,本文算法在公共合成数据集和真实世界的图像上取得了更好的性能和更好的视觉效果。