Multi-Scale Boosted Dehazing Network with Dense Feature Fusion

2020-06-28 1,088 阅读2分钟

Multi-Scale Boosted Dehazing Network with Dense Feature Fusion

CVPR 2020

Hang Dong1 Jinshan Pan2 Lei Xiang1 Zhe Hu3 Xinyi Zhang1 Fei Wang1 Ming-Hsuan Yang4,5

章理登 2020-06-27

简介

文章提出了一个基于U-net架构的具有密集特征融合的多尺度Boosting去雾网络，它在解码器中加入了基于Boosting的策略，基于反投影反馈方案设计了一个密集特征融合模块。

Model

网络结构如图所示，其中步长为1、2的卷积层和步长为2的反卷积层均为普通卷积层。文章重点介绍了SOS Boosted Module、Dense Feature Fusion Module。Residual Group是普通的基于残差网络的残差连接块。

SOS Boosted Module

在去噪Boosting算法中，核心为以下公式：

\hat{J}^{n+1}=g(I+\hat{J}^n)-\hat{J}^n

$\hat{J}^n$ 为第n次去噪结果， $g(\cdot)$ 为去噪算法。其中 $I+\hat{J}^n$ 目的在于提高信噪比，并且防止去噪结果被过度平滑，而减去 $\hat{J}^n$ 目的在于维持可迭代性。文章据此提出以下公式：

j^n=\mathcal{G}_{{\theta}_n}^n(i^n+(j^{n+1})\uparrow_2)-(j^{n+1})\uparrow_2

观察整体网络图可知， $i^n$ 为同一层（同一尺度）下的编码器输出的特征， $j^{n+1}$ 为 $j^n$ 的上一层的输出结果。即如上图e所示，和图d不同的是，将输入的特征图相加后，并在输出结果上减去。

Dense Feature Fusion Module

Dense Feature Fusion Module模仿了超分辨率中的迭代反投影技术：

\hat{H}_{t+1}=\hat{H}_t+h(f(\hat{H}_t)-L_{ob})

$\hat{H}_t$ 表示第t轮超分辨率的输出结果， $L_{ob}$ 表示初始低分辨率图像， $f(\cdot)$ 表示下采样操作， $h(\cdot)$ 表示反投影算子。

Dense Feature Fusion Module模块如上图所示，其中使用了类似于超分辨率中的迭代反投影技术。

此外，文章使用LReLU代替一般的ReLU。

数据和训练

数据集

随机缩放 $[0.5,1.0]$ ,随机裁切 $256*256$ 的块，并执行随机水平和垂直翻转。

RESIDE
NTIRE2018
HazeRD

对比算法

DCP
NLD
AOD
MSCNN
MsPPN
DcGAN
GFN
GCANet
PFFNet
GDN
DuRN

训练设置

Adam优化器
初始学习率 $10^{-4}$
学习率每10轮乘以0.75
批大小为16

对比和测试

测试指标

PSNR
SSIM
CIEDE2000

指标对比

结果展示

消融研究