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。