CN114913093B 一种真实雾场景的ai去烟雾方法 （南京理工大学）

US2016005152A1,2016.01.07本发明公开了一种真实场景的AI去烟雾方利用非对齐的清晰图像设计损失函数监督训练去烟雾网络，并且重新定义了大气光的均值-方应的神经网络结构更好的学习大气光和传输介质图，使得重构损失函数有效地训练去烟雾网避免了合成数据训练与真实数据测试的不一致2自注意力机制计算FI和FD的自注意力特征Fatt，并筛选每个通道1％最亮像素点的均值作为再运用指导滤波模块计算更加精确且精细化的传输后定义Irec和I的重构损失函数Lrecs包含三个损失函数之和，分别是一阶范数损失2.根据权利要求1所述的真实场景的AI去烟雾3.根据权利要求1所述的真实场景的AI4.根据权利要求1所述的真实场景的AI去烟雾方法，其特征构损失函数Lrec=L1+Lper+Lssim对Irec进行纹理和颜色的无监督学习，其中Lper运用5.根据权利要求1所述的真实场景的AI去烟雾别器来计算J和Jref之间的多尺度对抗损6.一种电子设备，包括存储器、处理器及存储在行时实现如权利要求1-5中任一所述的真实场景的AI34而在真实场景下很难获得对齐的清晰图像，所以这些方法只能在合成数据集上训练模型。这些方法仍然沿用了暗通道先验方法来定义大气光A∞和传输介质图像T。此定义不仅对大5利用自注意力机制计算FI和FD的自注意力特征Fatt，并筛选每个通道1％最亮像素点的均值图T,再运用指导滤波模块计算更加精确且[0014]在其中的一个实施例中，步骤2利用卷积网络分别提取烟雾图像I和暗通道图像D6[0029]现有的去雾方法多依赖于对齐的烟雾/清晰样本对数据，然而在真实场景下很难网络模块更好的学习A∞和T，最终本发明方法能够在真实场景下完成训练并取得更好的去数据的严苛要求(完全对齐的烟雾/清晰图像样本对)，使得本发明在真实烟雾场景中可以7的卷积网络分别提取RGB烟雾图像和对应暗通道图的特征，再对此二个特征做自注意力操作获得自注意力特征(目的是凸显烟雾区域特征)，并从自注意力特征中筛选出1％最亮的利用一个通道注意力网络(channelattentionnetwork)预测出一个三通道的粗糙传输介失Le=L1十Lner+Lsim对去烟雾网络建立起一个监督训练信号。更重要的是，本发明模的Unet结构)分别提取特征图FI和FD∈R64×2,的Unet网络是将encoder中的下采样特征经过channelattention后与上采样的对应尺度8型I(x)＝J(x)t(x)+A∞(1-t(x))，得到重构的烟雾图Irec，这里利用三个损失函数(和Lssim)对重构的Irec进行纹理和颜色上的约束(Lre=L1+Lper+Lssim),获得逼h)2构增加了多尺度的鉴别来计算对抗损失，这个对抗生成网络的鉴别器是5层Conv+示VGG16网络提取的图像J和Jref在l层对应的特征图。ω1和ω2分别是平衡Lmsr-adv和9[0048]本发明通过建立相同场景的多尺度非对齐参考损失函数约束清晰场景图像的生[0049]本发明比较了现存的几种SOTA去雾方法，分别是DCP，Cycle-Dehaze，DAD，[0051]另外，我们还比较了几种在合成数据集上SOTA方法，分别是MSBDN，FFA，UHD，[0054]表1是本发明与现存的SOTA方法在真实的烟雾场景下的去烟雾结果的定量比较。[0058]表2是为了验证本发明提出的大气光注意力ALA和多尺度参考损设计ALA模块和Lmsr损失，方法的定量指标FADE和NIQE是逐渐降低的。所以消融实验表明结果表明我们可以发现多尺度确实能够提升4.1252[0064]表4是为了探究非对齐尺度对本发明方法的表现影响，我们在真实的烟数据集上进行了四种不同非对齐尺度(30pixels,60pixels,90pixels和120pixels)的消融实验，实[0066]图4通过展示模型的中间过程来表明本发明方法的有效性，以一张在真实的非均而(f)和(g)是暗通道去雾工作的A∞(均匀的)和T(单通道)，然后我们根据大气散射模型I[0067]图5展示出了本发明方法和当前几种SOTA方法在真实烟(均匀和非均匀二种状态)[0068]图6展示了本发明方法和当前几种SOTA方法在真实雾场景下的去雾可视化对比。[0069]为了验证本发明方法的泛化性能，我们利用一个第三方数据集RTTS(网络收集的