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。

基于偏色校正和信息损失约束的沙尘暴降质图像增强算法

为了解决沙尘暴环境下拍摄的图像中存在的颜色偏移、对比度低等降质问题,提出基于偏色校正和信息损失约束的沙尘降质图像增强算法,主要包含偏色校正和对比度增强2个模块,在偏色校正模块中,通过分析沙尘降质图像的RGB 3个通道直方图分布特点,提出一个改进的基于高斯模型的偏色校正算法;在对比度增强模块中,通过结合基于暗通道先验和信息损失约束算法,提出一种基于大气散射模型的对比度增强算法.为了验证算法的有效性,通过与4种已有算法的大量实验结果对比发现:文中算法不但能够很好地增强不同种类的沙尘降质图像的对比度,而且可以有效地避免图像偏色现象,并且保持良好的色彩保真度和合适的亮度.

基于生成对抗网络的图像去雾算法

与基于图像增强的去雾算法和基于物理模型的去雾算法相比,基于深度学习的图像去雾方法在一定程度上提高计算效率,但在场景复杂时仍存在去雾不彻底及颜色扭曲的问题.针对人眼对全局特征和局部特征的感受不同这一特性,文中构建基于生成对抗网络的图像去雾算法.首先设计多尺度结构的生成器网络,分别以全尺寸图像和分割后的图像块作为输入,提取图像的全局轮廓信息和局部细节信息.然后设计一个特征融合模块,融合全局信息和局部信息,通过判别网络判断生成无雾图像的真假.为了使生成的去雾图像更接近对应的真实无雾图像,设计多元联合损失函数,结合暗通道先验损失函数、对抗损失函数、结构相似性损失函数及平滑L1损失函数训练网络.在合成数据集和真实图像上与多种算法进行实验对比,结果表明,文中算法的去雾效果较优.

基于明暗通道循环GAN网络的单幅图像去雾

针对现有的深度学习去雾算法参数多,训练时间长,无法应用到实时计算机视觉系统等问题,本文提出了一种基于明暗通道的循环GAN网络(bright and dark channel CycleGAN network,BDCCN).BDCCN以CycleGAN为基础,采用固定参数和训练参数相结合方式,基于明暗通道先验理论,改进循环感知损失,实现图像去雾.实验结果表明,本文算法计算量小,收敛快,在合成数据集和真实数据集上均表现优异.

基于通道先验损失的无监督图像去雾算法

图像去雾是图像处理的一个关键步骤.基于学习的方法由于在收集清晰和模糊图像的固有限制,通常依赖于合成数据进行训练,且由室内图像和相应的深度信息构成.在处理室外场景时,可能会存在域偏移问题.提出了一种完全无监督的训练方法,通过最小化暗通道先验能量函数来进行图像去雾.此外,只使用真实世界的室外图像进行训练,并通过直接最小化该能量函数来优化网络参数.实验结果表明该方法的性能与大规模监督方法相当,可见通过网络和学习过程,可以获得额外的正则化.