FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Ima

arXiv 2019

Yu Dong, Yihao Liu,He Zhang, Shifeng Chen, Yu Qiao

简介

过去的算法大多数依然按照传统的方式，估计大气散射模型的A和t。但由于缺乏相应的准确数据，从而导致不准确的去雾。文章提出了一种具有融合鉴别器FD-GAN的端到端对抗生成网络，用于图像去雾。它把频率信息作为附加信息，生成了更加自然的图像。

Motivation

Model

如图所示，网络的生成器部分为基于密集连接的编码器和解码器网络结构。在得到生成器的去雾结果之后，提取去雾结果和无雾图像的高频和低频信息，再输入到鉴别器中。

高频信息代表了图像像素迅速变化的图像部分，如尖锐的边缘，纹理，精细的细节等。低频信息代表了图像中像素变化缓慢的部分，即平滑区域。高频信息更加强调图像的细节和纹理，低频信息更加强调图像的亮度和颜色。文章使用了高斯滤波器提取低频信息，使用Laplace算子提取高频信息。

上图为对高频、低频、高频和低频的消融研究

文章使用了,,,对抗损失，其权重分别为2，1，2，0.1。

数据和训练

数据集

• 训练集和测试集1：NYU
• 训练集和测试集2：NTIRE2018
• 训练集和测试集1：COCO（使用深度估计算法合成）

训练设置

• 输入图像尺寸为256*320*3
• 高斯卷积核尺寸为15，方差为3.
• 拉普拉斯卷积核尺寸为3
• 初始学习率为
• 使用Adam优化器

对比和测试

指标对比

结果展示