來自華中科大和中科院的 CVPR 2020 圖像去霧領域新作，從合成圖像到真實圖像又邁進一步了嗎？
論文鏈接：https://arxiv.org/pdf/2005.04668.pdf
摘要
近年來，使用基於學習的圖像去霧方法已取得了 STOA 的性能。然而，現有的大部分方法都是在合成霧圖上訓練去霧模型，由於 域偏移 (domain shift) (或者說是域間差異)，它們對真實霧圖的泛化能力較差。爲解決該問題，我們提出了一種 域適應範式 (domain adaptation paradigm)，它由一個圖像轉換模塊和兩個圖像去霧模塊組成。具體而言，首先採用雙向變換網絡，通過將圖像從一個域變換到另一個域，以彌補合成域和真實域之間的差距。然後，使用變換前、後的圖像來訓練所提出的兩個圖像去霧網絡 (採用一致性約束)。在此階段，我們通過利用清晰圖像的特性 (如暗通道先驗和圖像梯度平滑) 將真實霧圖納入到去霧訓練中，以進一步提升域適應性。通過端到端的方式訓練圖像變換和去霧網絡，可以獲得更好的圖像變換和去霧效果。對合成圖像和現實世界圖像的實驗結果表明，我們的模型相比於 STOA 去霧算法展現出了良好性能。
圖表速覽：
