Nous proposons un cadre de dehazing faiblement supervisé en deux étapes, RefineDNet. Dans la première étape, RefineDNet adopte le canal sombre
avant de restaurer la visibilité ----- Récupération de la visibilité Dans la deuxième étape, le résultat est affiné, par apprentissage contradictoire utilisant des images claires brumeuses non appariées ----- --- Amélioration du réalisme (suppression des artefacts uniquement - supervision faible) Afin d'obtenir des résultats plus qualifiés, nous proposons également une stratégie de fusion perceptive efficace pour fusionner différentes sorties de désencombrement. L'effet visuel basé sur l'apprentissage est bon et l'effet de dévoilage basé sur l'a priori est bon.
Stratégie de fusion perceptive :
Puisque l'image raffinée et l'image débrouillée reconstruite sont générées de manière différente, il leur est impossible d'effectuer la même opération dans toutes les régions. L'un ou l'autre est susceptible de surpasser l'autre dans certaines régions. Par conséquent, la fusion de meilleures régions dans l'une d'entre elles peut améliorer les performances.
Mettre à jour Rt (le réseau du module de transmission) en faisant une perte entre la carte de brouillard synthétique et la carte de brouillard réel - L'annexe c de l'article met à
jour Rj via le discriminateur D
En utilisant l'authenticité d'Ireal et la similarité de deux images nettes comme critère d'authenticité pour l'image dévoilée,
Formule de calcul VSI :
https://zhuanlan.zhihu.com/p/210899060