-
题名基于深度学习的半监督图像去雾网络
- 1
-
-
作者
徐航
周杰
赵丽
胡杰
-
机构
温州大学浙江省安全应急智能信息技术重点实验室
-
出处
《计算机科学与应用》
2024年第4期193-200,共8页
-
文摘
针对真实雾图数据集稀缺,难以满足深度网络数据需求的问题,提出了一种基于深度学习的图像增强模型,利用随机掩码来模拟真实雾霾中的不均匀现象,以提高增强雾图的真实性。基于这个模型,搭建了一个半监督图像去雾网络,通过对增强图像自监督进一步提高去雾模型在真实世界的泛化性。实验结果表明,所提出的模型在合成雾图数据集和真实世界雾图数据集上都优于传统的图像去雾算法。
-
关键词
计算机视觉
图像去雾
深度学习
半监督学习
图像增强
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名一种基于无监督学习的两阶段解耦图像去雾算法研究
- 2
-
-
作者
林盛
黎敏
胡杰
赵丽
-
机构
温州大学计算机与人工智能学院
-
出处
《计算机科学与应用》
2024年第4期163-176,共14页
-
文摘
利用卷积神经网络进行监督学习是解决图像去雾问题的一种常用的解决方法。然而,现有的方法大多主要使用成对的合成雾霾数据集,这可能不能准确地代表真实雾霾天气的场景。针对这一问题,本文提出了一种基于无监督学习的两阶段解耦去雾网络。该网络由三个子网络组成,它们分别将观测到的雾霾图像分解为无雾霾图像层、透射图层和大气光层。同时,该网络分为恢复无雾图像和透射图两个阶段。在第一阶段,利用嵌入的暗通道先验来获得无雾霾像和透射图的粗略估计。在第二阶段,通过两个子网络对第一阶段的结果进行细化,以产生更精确的无雾霾图像和透射图,而大气光则由另一个子网络直接估计。此外,本文还设计了一种新的多尺度注意力模块,作为细化无雾图像的子网。多尺度注意力模块在自注意力中执行多尺度的标记聚合,以捕获不同尺度的特征。实验结果表明,本文提出的网络获得了有效的雾性能和令人满意的视觉效果,且在PSNR、SSIM和主观视觉效果方面均优于现有的无监督去雾方法。
-
关键词
图像去雾
注意力机制
TRANSFORMER
无监督学习
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-
-
题名用于单张图像去雾的混合注意力网络
- 3
-
-
作者
周杰
赵丽
徐航
胡杰
-
机构
温州大学计算机与人工智能学院
浙江省安全应急智能信息技术重点实验室
-
出处
《机电工程技术》
2024年第12期41-49,54,共10页
-
基金
国家自然科学基金资助项目(U2033210,62101387,62201400)
浙江省自然科学基金资助项目(LDT23F02024F02)。
-
文摘
图像去雾是高级计算机视觉领域的关键任务之一。近年来,卷积神经网络和Vision Transformer(ViT)作为图像去雾的主流选择,都表现出了优异的性能,但仍无法在保留全局信息的同时还原图像的精细细节,同时也忽略了雾霾分布的多样性。为了解决上述问题,提出了一种混合注意力网络(HA-Net)的新型去雾网络,能够有效结合来自CNN和Transformer的多尺度特征,并融入多层次的注意力机制,实现了网络去雾性能的提升。所提出的HA-Net由混合注意力模块和增强特征融合模块构成。其中,混合注意力模块由改进后的Transformer模块和并行卷积层组成,通过结合二者所提取的特征从而实现优势互补。同时,增强特征融合模块利用聚合不同层次的注意力来增强模型表达不同雾霾分布的能力。定性和定量实验结果表明,所提出的混合注意力网络(HA-Net)在多个图像去雾数据集中均获得较高的评价指标和良好的视觉效果。在公开的RESIDE数据集中,HA-Net取得了室内集的最高PSNR(40.08 dB)和SSIM(0.995)。此外,消融实验也证明HA-Net中所提出的各个模块的有效性。
-
关键词
图像去雾
注意力机制
混合注意力
Vision
Transformer
深度学习
-
Keywords
image dehazing
attention mechanism
hybrid attention
Vision Transformer
deep learning
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
