基于误差回传机制的多尺度去雾网络

针对现有图像去雾方法因空间上/下文信息丢失而无法准确估计大尺度目标特征,导致图像结构被破坏或去雾不彻底等问题,提出一种基于误差回传机制的多尺度去雾网络.网络由误差回传多尺度去雾组(Error-backward multi-scale dehazing group,EMDG)、门控融合模块(Gated fusion module,GFM)和优化模块组成.其中误差回传多尺度去雾组包括误差回传模块(Error-backward block,EB)和雾霾感知单元(Haze aware unit,HAU).误差回传模块度量相邻尺度网络特征图之间的差异,并将生成的差值图回传至上一尺度,实现对结构信息和上/...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 49; no. 9; pp. 1857 - 1867
Main Authors 杨爱萍, 李晓晓, 张腾飞, 王朝臣, 王建
Format Journal Article
LanguageChinese
Published 天津大学电气自动化与信息工程学院 天津 300072 01.09.2023
Subjects
图像去雾
Image dehazing
deep learning
误差回传
深度学习
多尺度网络
multi-scale network
error-backward
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.c210264

Cover

More Information
Summary:针对现有图像去雾方法因空间上/下文信息丢失而无法准确估计大尺度目标特征,导致图像结构被破坏或去雾不彻底等问题,提出一种基于误差回传机制的多尺度去雾网络.网络由误差回传多尺度去雾组(Error-backward multi-scale dehazing group,EMDG)、门控融合模块(Gated fusion module,GFM)和优化模块组成.其中误差回传多尺度去雾组包括误差回传模块(Error-backward block,EB)和雾霾感知单元(Haze aware unit,HAU).误差回传模块度量相邻尺度网络特征图之间的差异,并将生成的差值图回传至上一尺度,实现对结构信息和上/下文信息的有效复用;雾霾感知单元是各尺度子网络的核心,其由残差密集块(Residual dense block,RDB)和雾浓度自适应检测块(Haze density adaptive detection block,HDADB)组成,可充分提取局部信息并能够根据雾浓度实现自适应去雾.不同于已有融合方法直接堆叠各尺度特征,提出的门控融合模块逐像素学习每个子网络特征图对应的最优权重,有效避免了干扰信息对图像结构和细节信息的破坏.再经优化模块,可得到最终的无雾图像.在合成数据集和真实数据集上的大量实验表明,该方法优于目前的主流去雾方法,尤其是对远景雾气去除效果更佳.
ISSN:0254-4156
DOI:10.16383/j.aas.c210264