基于CycleGAN的无监督图像去雾网络

摘要

基于深度学习的去雾网络性能依赖大型丰富的成对数据集，然而真实环境中雾图与清晰图像的配对数据采集极为困难，现有研究多采用合成数据集训练，这导致网络在复杂真实场景中的泛化能力不足。为此，本文提出一种基于CycleGAN的无监督图像去雾网络，解决CycleGAN在去雾过程中易出现的颜色失真、伪影及去雾不彻底等问题。首先，设计残差密集连接模块构建编解码器架构，同时融入空间与通道残差注意力模块，并在跳跃连接部分引入注意力融合机制，实现特征提取与筛选过程的深度优化。其次，设计了新的损失函数，可有效平衡生成图像的视觉真实性与去雾准确性。实验结果表明，相比基线方法，该网络在室外合成数据集上去雾后的图片峰值信噪比提升了22.71%,结构相似性值提升了6.49%,去雾后的图像质量得到提升；同时，该网络还可以生成视觉效果逼真的雾图。

关键词

图像去雾 / 循环生成对抗网络 / 损失函数 / 残差密集连接 / 注意力机制 / 合成雾图