From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data （ACMMM 2021）个人学习笔记

摘要

单图像去雾是一项具有挑战性的任务，在合成训练数据和真实测试图像之间的域转换通常会导致现有方法的退化。为了解决这个问题，我们提出了一种新的图像去雾框架，与未标记的真实数据协作。首先，我们开发了一个分解图像去雾网络(DID-Net)，它根据雾霾形成过程的物理模型，将特征表示分解为潜在的无雾霾图像、传输图和全球大气光估计。我们的DID-Net通过跨尺度逐步整合特征来预测这三个组件地图，并通过一个独立的细化网络来细化每个地图。然后利用分解一致性平均教师网络(DMT-Net)对未标记的真实数据进行协作，以增强单幅图像。具体来说，我们鼓励通过对未标记的真实数据使用一致性损失，对每个解纠缠组件的粗糙预测和细化在学生和教师网络之间保持一致。我们在一个新收集的数据集(Haze4K)和两个广泛使用的去雾数据集(即SOTS和HazeRD)以及现实世界的模糊图像上与13种最先进的去模糊方法进行了比较。实验结果表明，该方法比现有方法在定量上有明显的改进和定性改进

一、引言

现有的基于cnn的方法存在一些局限性。首先，这些方法通常利用合成的雾图像以监督学习的方式训练网络，由于

版权声明：本文为CSDN博主「追梦Hocking」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/zhouaho2010/article/details/123036694