論文的主要貢獻(xiàn)：

1. 使用 cGAN 訓(xùn)練端到端網(wǎng)絡(luò)

2. 構(gòu)建新的損失函數(shù)，生成更逼真的清晰圖像并去除偽影

3. 合成了一個(gè)包含室內(nèi)和室外圖像的模糊數(shù)據(jù)集

?

一、網(wǎng)絡(luò)結(jié)構(gòu)

生成器&判別器：

?

網(wǎng)絡(luò)參數(shù)：

?

?

二、損失函數(shù)

----朦朧圖像

----清晰圖像

1. 對(duì)抗損失

2. 感知函數(shù)（使用VGG features）

?

3. L1正則梯度先驗(yàn)+內(nèi)容損失

最終 生成器 的損失函數(shù)為

根據(jù)經(jīng)驗(yàn)選擇

?

判別器的損失函數(shù)

?

?

三、實(shí)驗(yàn)結(jié)果

?

?

四、消融分析

1. 運(yùn)行時(shí)間

2. 損失函數(shù)的作用

3. 魯棒性測(cè)試

該方法對(duì)圖像噪聲具有較強(qiáng)的魯棒性。為了評(píng)價(jià)該方法的魯棒性，在所有測(cè)試樣本中加入噪聲水平為0.5%-3%的隨機(jī)噪聲。下圖顯示了合成測(cè)試數(shù)據(jù)集上幾種最新方法的量化結(jié)果。即使當(dāng)噪聲水平增加時(shí)，我們的方法也執(zhí)行得很好。

五、實(shí)驗(yàn)不足

所提出的方法不能很好地處理輕微模糊圖像和夜間模糊圖像。這可能是因?yàn)槲覀兊挠?xùn)練數(shù)據(jù)集不包括類似的樣本。因此，模糊模型不能學(xué)習(xí)相應(yīng)的映射函數(shù)。我們將致力于收集更全面的霧霾樣本并優(yōu)化模型，來解決這些問題。

?

轉(zhuǎn)載于:https://www.cnblogs.com/btschang/p/10138428.html

總結(jié)

以上是生活随笔為你收集整理的Single Image Dehazing via Conditional Generative Adversarial Network（CVPR2018-图像去雾）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。