嫌随机森林去雾效果不好&＃xff0c;你行你上啊——DehazeNet端到端的去雾

虽然tang-2014提出了去雾的机器学习方法&＃xff0c;但它是基于随机森林的&＃xff0c;必须首先抽取图像特征&＃xff0c;然后将特征向量输入随机森林。这不是一种端到端的学习方法。很自然人们会尝试采用CNN模型去进行端到端的训练&＃xff0c;那么是否采用深度学习呢&＃xff1f;直观地看上去&＃xff0c;去雾任务没有目标识别那么复杂&＃xff0c;那么采用浅层网络够不够呢&＃xff1f;

Bolun Cai在2016-MIP发表的DehazeNet-An End-to-End System for Single Image Haze Removal一文&＃xff0c;回答了这个问题。他们提出的DehazeNet去雾模型基于手工特征&＃xff0c;又超出传统方法&＃xff0c;取得了更好的去雾结果。它是一种端到端的训练模型&＃xff0c;用于估计传输率。输入雾图&＃xff0c;输出传输率映射图&＃xff0c;然后通过大气散射模型来恢复无雾图像。采用深度CNN结构&＃xff08;有多深呢&＃xff1f;4层而已&＃xff09;&＃xff0c;并提出了一种新的非线性激活函数——双边矫正线性单元&＃xff0c;它提高了恢复图像的质量。

本文首先回顾了近期去雾算法的进展&＃xff1a;

1&＃xff09;马尔科夫随机场MRF方法&＃xff0c;基于无雾图像具有更高的对比度的假设。

2&＃xff09;独立成分分析ICA方法&＃xff0c;基于最小输入

3&＃xff09;当然&＃xff0c;还有这个无处不在的暗通道法DCP

特别谈到了最近才开始采用的机器学习框架&＃xff1a;

4&＃xff09;Tang-2014, 随机森林&＃xff0c;联合四种雾化特征

5&＃xff09;Zhu-2015 , 线性模型&＃xff0c;基于色彩衰减先验&＃xff0c;采用监督学习来学习模型参数

另外&＃xff0c;本文还提到了许多基于CNN的、用于低级视觉任务的、深度学习方法&＃xff0c;如图像恢复和重建。但在本文之前&＃xff0c;还没有用于图像去雾的。本文认为&＃xff0c;传输率估计是对去雾最重要的。因此&＃xff0c;本文提出了DehazeNet&＃xff0c;这种基于CNN的端到端的学习模型&＃xff0c;用于传输率估计。其输入就是雾图&＃xff0c;输出传输率。
本文的贡献&＃xff1a;

1&＃xff09;提出的DehazeNet是端到端的系统&＃xff0c;它直接从雾图块及对应的传输率进行学习。

2&＃xff09;提出的双边矫正线性单元BReLU&＃xff0c;改善了恢复图像的质量。

3&＃xff09;分析了DehazeNet与已有去雾技术之间的关系。

那么这个DehazeNet究竟是什么呢&＃xff1f;请关注爱在上工。