深入解析：18、论文阅读：AOD-Net：一体化除雾网络

AOD-Net: All-in-One Dehazing Network

• 前言
• 介绍
• 相关工作
• • 物理模型
  • 传统方法
  • 深度学习途径
• 建模与扩展
• • 变换后的公式
  • 网络设计
  • 与高级特征任务相结合
• 除雾评价
• • 数据集和实现

前言

该论文提出了一种基于卷积神经网络（CNN）的图像去雾模型，称为 All-in-One 去雾网络（AOD-Net）。该模型基于重构的大气散射模型进行设计，不像以往的模型那样分别估计透射矩阵和大气光，而是通过轻量级的 CNN 直接生成干净图像。这种新颖的端到端设计使 AOD-Net易于嵌入到其他深度模型中，例如 Faster R-CNN，从而提升雾霾图像上的高层次任务性能。实验结果表明，在合成和真实雾霾图像资料集上，AOD-Net 在 PSNR、SSIM 和主观视觉质量方面均优于现有的最先进途径。此外，将 AOD-Net 与 Faster R-CNN 结合后，大家在雾霾图像上的目标检测性能显著提升。

介绍

雾霾的存在会显著降低恶劣天气下拍摄的户外图像的清晰度，影响到目标检测和识别等高层次的计算机视觉任务。因此，单图像去雾成为一种非常实用的技术。尽管从单张图像中估计多个物理参数具有挑战性，许多近期的研究已在这一目标上取得显著进展。除了估计全局的大气光强度，去雾的关键在于恢复传输矩阵，为此采用了多种统计假设和困难模型。然而，这些估计往往并不准确，一些常用的预处理办法（如引导滤波和软抠图）可能会扭曲雾霾图像生成过程，导致恢复性能不佳。此外，传输矩阵和大气光这两个关键参数的非联合估计，可能在应用时放大误差。

本文提出了一种高效的端到端去雾卷积神经网络（CNN）模型，称为