Real-world Image Dehazing with Coherence-based Label Generator and Cooperative Unfolding Network

要約

現実世界画像のかすみ除去 (RID) は、現実世界の設定におけるかすみによる劣化を軽減することを目的としています。
実際のヘイズ分布を正確にモデル化することの複雑さと、ペアになった現実世界のデータが不足しているため、この作業は依然として困難です。
これらの課題に対処するために、まず、大気散乱と画像シーンを共同でモデル化する協調展開ネットワークを導入し、物理的知識を深いネットワークに効果的に統合して、霞で汚染された詳細を復元します。
さらに、ネットワーク トレーニング用の高品質の疑似ラベルを生成する、Coherence ベースのラベル ジェネレーターと呼ばれる、最初の RID 指向の反復平均教師フレームワークを提案します。
具体的には、ネットワーク トレーニング中に最適な擬似ラベルを保存するための最適なラベル プールを提供し、グローバルとローカルの両方のコヒーレンスを活用して高品質の候補を選択し、かすみのない領域を優先するための重みを割り当てます。
RID タスクで最先端のパフォーマンスを達成することを実証する実験により、この方法の有効性を検証します。
コードは \url{https://github.com/cnyvfang/CORUN-Colabator} で入手できます。

要約(オリジナル)

Real-world Image Dehazing (RID) aims to alleviate haze-induced degradation in real-world settings. This task remains challenging due to the complexities in accurately modeling real haze distributions and the scarcity of paired real-world data. To address these challenges, we first introduce a cooperative unfolding network that jointly models atmospheric scattering and image scenes, effectively integrating physical knowledge into deep networks to restore haze-contaminated details. Additionally, we propose the first RID-oriented iterative mean-teacher framework, termed the Coherence-based Label Generator, to generate high-quality pseudo labels for network training. Specifically, we provide an optimal label pool to store the best pseudo-labels during network training, leveraging both global and local coherence to select high-quality candidates and assign weights to prioritize haze-free regions. We verify the effectiveness of our method, with experiments demonstrating that it achieves state-of-the-art performance on RID tasks. Code will be available at \url{https://github.com/cnyvfang/CORUN-Colabator}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google