Dual-Scale Single Image Dehazing Via Neural Augmentation

要約

モデルベースの単一画像のかすみ除去アルゴリズムは、合成ぼんやりした画像の低い PSNR 値と SSIM 値を犠牲にして、実世界のぼんやりした画像のシャープなエッジと豊富な詳細を持つかすみのない画像を復元します。
データ駆動型のものは、ぼんやりした合成画像に対して高い PSNR 値と SSIM 値を使用してかすみのない画像を復元しますが、コントラストは低く、実世界のぼんやりした画像にはかすみが残っていることさえあります。
この論文では、モデルベースのアプローチとデータ駆動型のアプローチを組み合わせることにより、新しい単一画像のかすみ除去アルゴリズムを紹介します。
透過マップと大気光の両方が、最初にモデルベースの方法で推定され、次にデュアルスケールの敵対的生成ネットワーク (GAN) ベースのアプローチによって洗練されます。
結果として得られるアルゴリズムは、対応するデータ駆動型アプローチが収束しない可能性がある一方で、非常に高速に収束するニューラル拡張を形成します。
推定された透過率マップと大気光、および Koschmiederlaw を使用して、かすみのない画像が復元されます。
実験結果は、提案されたアルゴリズムが実世界および合成のぼやけた画像からかすみをうまく除去できることを示しています。

要約(オリジナル)

Model-based single image dehazing algorithms restore haze-free images with sharp edges and rich details for real-world hazy images at the expense of low PSNR and SSIM values for synthetic hazy images. Data-driven ones restore haze-free images with high PSNR and SSIM values for synthetic hazy images but with low contrast, and even some remaining haze for real world hazy images. In this paper, a novel single image dehazing algorithm is introduced by combining model-based and data-driven approaches. Both transmission map and atmospheric light are first estimated by the model-based methods, and then refined by dual-scale generative adversarial networks (GANs) based approaches. The resultant algorithm forms a neural augmentation which converges very fast while the corresponding data-driven approach might not converge. Haze-free images are restored by using the estimated transmission map and atmospheric light as well as the Koschmiederlaw. Experimental results indicate that the proposed algorithm can remove haze well from real-world and synthetic hazy images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google