基于残差注意力和半监督学习的图像去雾算法

基于训练合成图像的去雾算法往往不能在真实图像数据集上取得较好效果。针对泛化能力不理想等问题,文中提出了一种基于残差注意力机制的半监督学习网络用于单幅图像去雾算法。其主干网络由编码器和解码器构成,通过使用堆叠的残差注意力模块调整不同尺度的特征权重,赋予重要特征更多权重。局部残差学习选择绕过薄雾区域,使模型关注有效信息。文中训练分为有监督学习和无监督学习两个分支,分别输入合成数据和真实数据,其中使用暗通道损失和全变分损失来约束无监督分支。实验结果表明,文中所提算法在合成数据集和真实数据集上均取得了较好的结果,图像的平均处理时间仅为0.01 s,在去雾效果和处理时间上实现了平衡。

基于深度多级小波U-Net的车牌雾图去雾算法

为了解决雾天拍摄的车牌图像边缘模糊、色彩失真的问题,提出了端到端的基于深度多级小波U-Net的车牌雾图去雾算法.以MWCNN为去雾网络的主体框架,利用“SOS”增强策略和编解码器之间的跨层连接整合小波域中的特征信息,采用离散小波变换的像素-通道联合注意力块降低去雾车牌图像中的雾度残留.此外,利用跨尺度聚合增强块补充小波域图像中缺失的空间域图像信息,进一步提高了去雾车牌图像质量.仿真实验表明,该网络在结构相似度和峰值信噪比上具有明显的优势,在处理合成车牌雾图和实际拍摄的车牌雾图上,去雾效果表现良好.