IPUDN（用于单幅图像去雾的透射图和大气光导迭代更新器网络）CVPR_2020

摘要：

        本文提出了一种基于新颖的迭代更新框架的迭代先验更新网络 (IPUDN)。我们提出了一种新颖的卷积体系结构来估计信道方向的大气光，并将其与估计的透射图一起用作去雾网络的先验。使用通道方向的大气光可以使我们的网络处理朦胧图像中的颜色转换。在我们的IPUDN中，使用相应的新型更新器网络迭代地更新了传输图和大气光估计值。利用迭代机制逐步将估计值修改为适当代表朦胧条件的估计值。这些更新与使用具有LSTM驱动的递归的卷积神经网络对脱灰图像的迭代估计一起发生，这引入了迭代间的依赖性。

透射图t(x)和大气光A特点：

        不使用大气散射模型的端对端去雾网络这样做是为了避免由于传输图的估计和与去雾系统不相交的大气光而导致的次优恢复。 然而，通过适当的透射图引导可以帮助对大范围的雾度密度进行有效的去雾，因为透射图本质上提供了图像像素处的雾度作为场景深度的函数。 精确大气光的引导也可以证明是有用的，因为大气光代表与雾霾相关的照明。 此外，通过适当的通道大气光引导可以帮助处理由于雾霾引起的颜色失真。

训练步骤：

        在本文了一种基于端到端的长短期记忆 (LSTM) 迭代除雾框架，其中包括明智地集成的传输图和大气光更新器网络。该框架使用来自专用估计器网络的传输图和大气光的初始估计作为先验，这些先验在除雾期间由更新器网络迭代更新。图显示了我们的方法的示意图，即迭代先验更新除雾网络 (IPUDN)。此系统处理各种各样的模糊条件，从低密度到高密度，有或没有色偏。可以看出，本文的去雾系统的训练分三个阶段进行。

         1、在第一阶段，我们训练一个密集连接的基于编码器-解码器的网络，以获得传输图的初始估计。还训练了一种具有全局最大池化块的新型卷积神经网络，以获得对大气光的初始估计。与现有方法不同，我们在不考虑任何特定先验的情况下执行通道方式大气光的估计。除了适当的雾度照明估计外，使用通道方式的大气光允许我们在存在偏色时处理它。

        2、在第二阶段，本文考虑一种新颖的迭代单图像除雾框架，其中迭代旨在以减少失真的分级方式处理宽范围的雾度密度。透射图和大气光的初始估计值作为先验信息输入到我们基于LSTM的迭代去雾框架中，在该框架中训练了单独的更新器网络以更新透射图和大气光估计值。在每次迭代中生成所述估计的中间去雾输出和更新，其在下一次迭代中与透射图和大气光的初始估计一起使用，以渐进的方式实现去雾。

        3、显然，在上述两个阶段，传输图和大气光估计器，以及去雾框架分别使用不同的目标函数进行训练。 为了从我们的整个去雾系统中获得最佳性能，在第三和最后阶段，两个估计器和去雾框架一起（联合）微调，引入三个网络之间的依赖关系。

主要贡献：

• 我们提出了一种基于循环卷积神经网络的新颖迭代框架，该框架可以逐步对图像进行去雾处理，这在不同类型的朦胧条件下是有效的。
• 我们引入了新颖的更新器网络，在每个迭代步骤中更新传输图和大气光的初始估计。
• 我