基于物理解耦与自适应特征提取的无监督图像去雾

许多图像去雾算法采用无监督学习以提高在真实场景中的泛化能力,然而,现有的无监督去雾算法大多依赖循环生成对抗网络,通过简单的去雾和加雾循环来实现,对生成图像缺乏有效约束,导致去雾效果不理想。此外,这些方法在特征提取时未能充分考虑雾的物理特性,使得恢复的图像纹理细节信息丢失严重。为了解决以上问题,文中提出一种基于物理解耦与自适应特征提取的无监督图像去雾网络(UPDA-Net)。首先,设计物理解耦网络(PDN),通过大气散射模型建立物理约束机制,分离和估计雾化图像中的大气光值与传输图,更准确地还原图像的光照信息,提升去雾过程的物理一致性及图像清晰度;其次,引入自适应特征提取模块(AFEM),结合大气光与传输图的物理特性,在特征空间中应用大气散射模型对相关特征进行近似,合成清晰图像的潜在物理特征,以增强网络模型的特征表达能力,改善恢复图像的细节和纹理质量。实验结果表明,在多个公开真实图像去雾数据集上,该算法在评价指标和视觉效果上均优于近年来的六种主流去雾算法。

资料为PDF文档格式.

本文档关键词:图像,提取,物理,特征,监督