CN110570371A 一种基于多尺度残差学习的图像去雾方法 （天津大学）

本发明公开了一种基于多尺度残差学习的利用不同尺度的感受野和特征图提取与雾有关2基于编码器和解码器构建去雾网络，网络结构采用多尺度将一个卷积和两个多尺度残差学习模块作为一个卷积单元3[0002]雾霾是一种常见的大气现象。在雾霾天气下光线会被空气中悬浮的粒子(如烟雾网络通过一张有雾图像就可得到对应的传输率，进而根据大气散射模型恢复无雾图像。4尺度残差学习模块利用不同尺度的感受野和特征5[0041]102：基于编码器和解码器构建去雾网络，网络结构采用多尺度残差学习模块搭[0053]1)去雾网络结构主要采用多尺度残差学习模块(Multi-scaleResidual[0054]2)将一个卷积和两个多尺度残差学习模块作为一个卷积单元(ConvolutionalBlock,CBlk)，将一个反卷积和两个多尺度残差学习模块作为一个反卷积单元[0056]使用最大值池化(max-pooling)将输入特征图F的尺寸变成记为6作1和卷积操作2，得到两个尺寸为的特征图和在通道上拼接起来，得到[0059]1)去雾网络的损失函数分别采用L1范数损失函数、感知损失函数和均值损失函[0074]下面结合具体的附图以及计算公式对实施例1中的方案进行详细介绍，详见下文7[0089]该模块的输入输出特征图的尺寸是不变的，本方法中该模块输入一共有三种尺[0090]使用最大值池化(max-pooling)将输入特征图F的尺寸变成64×64，记为FP∈R64和卷积操作2，得到两个尺寸为64×64的特征图和在通道上拼接起来，得到8[0092]1)去雾网络的损失函数分别采用L1范数损失函数、感知损失函数和均值损失函[0099][1]NarasimhanSG,NayarSK.:Chromaticframeworkforvisioninbadweather[C],IEEEInternationalConferenceonComputerVisionandPatternRecognition,2000:598-605.usingpolarization[C],IEEEInternationalConferenceonComputerVisionandPatternRecognition,20[0101][3]BermanD,TreibitzT,AvidanS,etal.:Non-LocalImageDehazing[C],IEEEInternationalConferenceonComputerVisionandPatternRecognition,2016:1674-1682.ImageHazeRemoval[J].IEEETransactionsonImageProcessing,5198.[0103][5]LiB,PengX,WangZ,etal.:AOD-Net:All-in-OneDehazingNetwork[C],IEEEInternationalConferenceonComputerVision,2017:4780-4788.[0104][6]EnginD,Anil,Ekenel,HazimKemal.Cycle-Dehaze:EnhancedCycleGANforSingleImageDehazing[C].IEEEInternationalConferenceonComputerVisionandPatternRecognitionWorkshops,2018:825-833.[0105][7]JustinJohnson,AlexandreAlahi,LiFei-Fei.PerceptualLossesforReal-TimeStyleTransferandSuper-Resolution[C].EuropeanConfere