DHGAN: Generative adversarial network with dark channel prior for single-image d

2020-04-25 393 阅读1分钟

Concurrency and Computation: Practice and Experience 2019

Wenxia Wu，Jinxiu Zhu，Xin Su，Xuewu Zhang

简介

文章提出了一个新网络DHGAN，相比于过去的去雾网络，其增加了对抗损失和暗通道损失。

Model

图为网络的整体框架。其中 $X_h$ 表示输入有雾图像； $\hat{X}_h$ 表示输出的去雾结果； $X_t$ 表示无雾Gth； $G$ 为生成器； $D$ 为鉴别器；其余部分为损失的计算和反向传播的过程。

生成器为普通的U-net结构：

鉴别器网络结构如下图所示：

损失函数

$L_G$ 用于训练生成器

L_G=\alpha L_{pixel}+\beta L_{vgg}+\gamma L_{dark}+L_{adv}

其中 $\alpha=15$ , $\beta=0.25$ , $\gamma=0.2$

L_{pixel}=\frac{1}{2}||\hat{X}_h-X_t||_2^2

L_{vgg}=\frac{1}{2}||f_{vgg}(\hat{X}_h)-f_{vgg}(X_t)||_2^2

L_{dark}=\sum_{i=1}^{W\times H}|Dark(\hat{X}_h)_i|

$L_{dark}$ 选择窗口大小为 $10\times10$ ,一定程度的避免了白色物体的不适应现象。

L_{adv}=-\log(D_{\theta_d}(\hat{X}_h))

$L_{discr}$ 用于训练鉴别器

L_{discr}=\log(D_{\theta_d}(X_t))+\log(1-D_{\theta_d}(\hat{X}_h))

数据和训练

数据集

训练集：RESIDE中的220张户外图像（180张训练和40张验证）
测试集：

训练设置

使用Adam优化器
初始学习率为0.0001
每5轮学习率下降一半
batch-size为6

对比和测试

测试指标

PSNR
SSIM
AG（无参考指标，反映细节对比度变化的速率，并表示图像的相对清晰度，越大越好）
IE（无参考指标，反映了图像中包含的信息量，越大越好）

指标对比

结果展示