DRCDN: learning deep residual convolutional dehazing networks

The Visual Computer 2019

Shengdong Zhang,Fazhi He

简介

文章提出了一种基于卷积神经网络的端到端深度残差卷积去雾网络。其由两个子网组成：一个用于去雾，另外一个用于优化前者的去雾结果。

Motivation

文章指出了GFN《Gated Fusion Network for Single Image Dehazing》（门控融合网络）中的几个问题：

• GFN从有雾图中得到三个中间结果（白平衡图，对比度增强图，伽马校正图），再通过网络学习这三个中间结果的权重图。如果这些中间结果不包含足够的信息来去雾，就会产生低质量的去雾结果。文章直接从模糊图像中提取特征来避免信息损失。
• 从三个中间结果中学习权重图然后进行混合是一件复杂的任务。文章通过端到端学习避免了复杂的混合。
• 以往的方法都是基于室内合成雾数据集来训练的，但是这样的方法不能有效的处理其他户外真实的图像。

文章产生了以下几个想法：

• 物体以不同比例出现。在过去的某些论文里，使用了多尺度卷积的技巧来提高去雾效果。但是文章发现这样的做法并不能很好的去雾，所以想到了引入扩张卷积的方式。
• 但是扩张卷积会引起伪影，残差网络可以消除这样的伪影。

Model

网络模型如下图所示：

其中point-wise指1*1的卷积。Dilated指扩张卷积。residual指残差连接。base指基础结果。 黄色块和红色块叠加在一起为最后的去雾结果。

损失

损失函数为和损失。损失取作为基础网络

数据和训练

数据集

• 训练集1：NYU

• 训练集2：室外图像估计深度后通过大气散射模型合成。从SYSU-Scene数据集中选择1100张图像，其中，

• 测试集在训练集的基础上添加了I-HAZE和O-HAZE（NTIRE2018竞赛提供的数据集）

训练设置

• 批大小为2
• 图像大小为512*512
• 学习率为0.0001
• 优化器为Adam
• 共训练50轮
• 损失函数权重分别为0.0005和0.001

对比和测试

测试指标

• PSNR
• SSIM

指标对比

结果展示