GMAN 去雾

摘要 - 雾霾和烟雾是影响图像质量的最常见环境因素，因此也影响图像分析。 本文提出了一种图像去雾的端到端生成方法。 它基于设计完全卷积神经网络，以识别输入图像中的雾霾结构，并恢复清晰，无雾的图像。 所提出的方法不探索大气散射模型，一定意义上是不可知的。 有些令人惊讶的是，相对于所有现有的最先进的图像去雾方法，即使在使用大气散射模型合成的SOTS室外图像上，它也能实现卓越的性能。

许多现代应用程序依赖于分析可视化数据来发现模式并做出决策。 在智能监视，跟踪和控制系统中可以找到一些例子，其中高质量的图像或帧对于准确的结果和可靠的性能是必不可少的。 然而，这种系统可能受到环境引起的扭曲的显着影响，其中最常见的是雾霾和烟雾。 因此，计算机视觉领域的许多研究致力于解决从朦胧对应物中恢复高质量图像的问题，[1]，[2]，[3]，[4]等等。 这个问题通常被称为dehaze问题。

原始图像和模糊图像[5]之间的关系近似通过以下称为大气散射模型的公式：

I（xi）是第i个通道的模糊像素的强度，J（xi）是该像素的实际强度，并且t（x）是取决于场景深度和大气散射系数beta的介质传输函数。 等式（1）中的参数A是大气光强度，其被假定为整个图像上的整体常数。 由于除了模糊像素强度I（xi）之外，等式（1）中的所有变量都是未知的，因此除雾通常是未确定的问题。

去雾算法大致分为基于传统和机器学习（ML）的方法。
基于传统的他们通过利用某种形式的先验信息来解决欠定问题。如1.3.6He_基于暗通道\\颜色衰减先验

另一方面，诸如[7]，[2]dehazenet，[8]MSCNN和[9]AODNet之类的作品遵循基于学习的方法。 他们利用经典和深度学习技术的进步来解决dehaze问题。
无论这两个类别看起来有多么不同，它们都旨在通过首先估计未知参数A和t（x）然后反转等式（1）来确定J（xi）来恢复原始图像：

从估计理论的角度来看，两类方法都属于插件原则1的范畴，它们都将被称为插件方法。

然而，对于dehaze问题，插件原理的最优性并不完全合理。 实际上，至少当两个问题受到相同的评估度量时，原始图像的有损重建问题不可能等效地转换为参数A和t（x）（或它们的变体）的估计问题。
此外，原始图像和模糊图像之间的实际关系可能相当复杂，并且可能无法通过大气散射模型完全捕获。 由于这种潜在的不匹配，依赖于大气散射模型（包括但不限于插入方法）的方法不能保证对自然图像的期望的推广，即使它们可以在合成图像上实现良好性能。