zoukankan      html  css  js  c++  java
  • 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。


  • 相关阅读:
    服务注册中心之Eureka使用
    微服务之服务注册中心
    Idea热部署功能
    微服务Cloud整体聚合工程创建过程
    微服务架构理论&SpringCloud
    关于母函数
    HDU 1028(母函数)整数划分
    1021 FIBERNACI
    1019
    1014 巧妙的gcd 生成元
  • 原文地址:https://www.cnblogs.com/btschang/p/10138428.html
Copyright © 2011-2022 走看看