Single Image Dehazing via Conditional Generative Adversarial Network（CVPR2018-图像去雾）

论文的主要贡献：

1. 使用 cGAN 训练端到端网络

2. 构建新的损失函数，生成更逼真的清晰图像并去除伪影

3. 合成了一个包含室内和室外图像的模糊数据集

 

一、网络结构

生成器&判别器：

 

网络参数：

 

 

二、损失函数

----朦胧图像

----清晰图像

1. 对抗损失

2. 感知函数（使用VGG features）

 

3. L1正则梯度先验+内容损失

最终 生成器 的损失函数为

根据经验选择

 

判别器的损失函数

 

 

三、实验结果

 

 

四、消融分析

1. 运行时间

2. 损失函数的作用

3. 鲁棒性测试

该方法对图像噪声具有较强的鲁棒性。为了评价该方法的鲁棒性，在所有测试样本中加入噪声水平为0.5%-3%的随机噪声。下图显示了合成测试数据集上几种最新方法的量化结果。即使当噪声水平增加时，我们的方法也执行得很好。

五、实验不足

所提出的方法不能很好地处理轻微模糊图像和夜间模糊图像。这可能是因为我们的训练数据集不包括类似的样本。因此，模糊模型不能学习相应的映射函数。我们将致力于收集更全面的雾霾样本并优化模型，来解决这些问题。