嫌随机森林去雾效果不好,你行你上啊——DehazeNet端到端的去雾
虽然tang-2014提出了去雾的机器学习方法,但它是基于随机森林的,必须首先抽取图像特征,然后将特征向量输入随机森林。这不是一种端到端的学习方法。很自然人们会尝试采用CNN模型去进行端到端的训练,那么是否采用深度学习呢?直观地看上去,去雾任务没有目标识别那么复杂,那么采用浅层网络够不够呢?
Bolun Cai在2016-MIP发表的DehazeNet-An End-to-End System for Single Image Haze Removal一文,回答了这个问题。他们提出的DehazeNet去雾模型基于手工特征,又超出传统方法,取得了更好的去雾结果。它是一种端到端的训练模型,用于估计传输率。输入雾图,输出传输率映射图,然后通过大气散射模型来恢复无雾图像。采用深度CNN结构(有多深呢?4层而已),并提出了一种新的非线性激活函数——双边矫正线性单元,它提高了恢复图像的质量。
本文首先回顾了近期去雾算法的进展:
1)马尔科夫随机场MRF方法,基于无雾图像具有更高的对比度的假设。
2)独立成分分析ICA方法,基于最小输入
3)当然,还有这个无处不在的暗通道法DCP
特别谈到了最近才开始采用的机器学习框架:
4)Tang-2014, 随机森林,联合四种雾化特征
5)Zhu-2015 , 线性模型,基于色彩衰减先验,采用监督学习来学习模型参数
另外,本文还提到了许多基于CNN的、用于低级视觉任务的、深度学习方法,如图像恢复和重建。但在本文之前,还没有用于图像去雾的。本文认为,传输率估计是对去雾最重要的。因此,本文提出了DehazeNet,这种基于CNN的端到端的学习模型,用于传输率估计。其输入就是雾图,输出传输率。
本文的贡献:
1)提出的DehazeNet是端到端的系统,它直接从雾图块及对应的传输率进行学习。
2)提出的双边矫正线性单元BReLU,改善了恢复图像的质量。
3)分析了DehazeNet与已有去雾技术之间的关系。
那么这个DehazeNet究竟是什么呢?请关注爱在上工。