科研之友
微信
新浪微博
Facebook
分享链接
摘要
目前大部分图像去雾算法只在一种或几种均匀雾图数据集中有较好的表现，对于不同风格或非均匀雾图数据集去雾效果较差，同时算法在实际应用中会因模型泛化能力差导致模型场景受限。针对上述情况，该文提出一种基于迁移学习的卷积神经网络(CNN)用于解决去雾算法中非均匀雾图处理效果不佳和模型泛化能力差等问题。首先，该文使用ImageNet预训练的模型参数作为迁移学习模型的初始参数，以加速模型训练收敛速度。其次，主干网络模型由3个子网组成：残差特征子网络、局部特征提取子网络和整体特征提取子网络。3子网结合以保证模型可从整体和局部两个方面进行特征提取，在现实雾场景(浓雾、非均匀雾)中获得较好的去雾效果。该文在模型训练效率、去雾质量和雾图场景选择灵活性3个方面进行了研究和改进，为衡量模型性能，模型选择在去雾难度较大的非均匀雾图数据集NTIRE2020和NTIRE2021上进行定量与定性实验。实验结果证明3子网模型在图像主观和客观评价指标两个方面都取得了较好的效果。该文模型改善了算法泛化性能差和小数据集难以进行模型训练的问题，可将该文成果广泛应用于小规模数据集和多变场景图像的去雾工作中。
- 单位
