基于多尺度特征提取与融合的单幅图像去雾算法

为解决随着CNN网络层数加深而导致的学习成本过高或过拟合问题，提出了一种基于多尺度特征提取与融合的单幅图像去雾算法。该算法结合U-Net思想，对输入图像进行物理分割和下采样得到多个尺度的特征图，采用残差连接的方式进行多维度融合，可以更好的适配大尺度数据集。同时，在网络中加入了深度监督模块，引入额外的监督信号有助于梯度传播，加快收敛速度，保证了训练的稳定性，这种多任务的学习形式提高了网络对不同输入的适应性，可以增强去雾效果。此外，使用自带多维度天气系统渲染的3D游戏引擎，自建了一份大尺度全高清数据集，模型训练的鲁棒性和泛化能力得到显著提升。实验结果表明，所提算法在训练速度和模型大小控制上具有一定优势，在主观评价上，远景去雾效果明显，峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)和结构相似性(Structure Similarity, SSIM)两个客观评价指标分别为26.75 dB和0.907，相较于对比算法中性能第二的模型分别提高了3.5和5.9个百分点，加入自建数据集进行组合训练后进一步提升了模型的去雾性能。

雾是一种视程障碍物，是由大量悬浮在近地面空气中的微小水滴或冰晶组成的气溶胶系统。雾对光有吸收和散射作用，有雾图像可以看作是被雾衰减的反射光与被大气散射光的叠加。雾的存在会导致成像时对比度低、信噪比低、色彩失真，进而对大量依赖计算机视觉处理的自动驾驶、智能农业等视觉应用领域造成很大影响。

目前关于去雾算法的研究中，通常认为不引入深度神经网络的传统去雾算法包括基于图像增强和基于图像复原两种思想进行图像去雾的算法，其中以Rizzi 等人[1]提出的自动色彩均衡(Automatic Color Enhancement, ACE)去雾算法和He 等人[2]提出的暗通道先验图像(Single Image Haze Removal Using Dark Channel Prior, DCP)去雾算法分别作为基于图像增强和图像复原思想的去雾算法的代表， 这两种思想也为后来的去雾算法研究产生了深远的影响。

随着深度学习技术的发展和GPU 算力的提升，深度学习算法成为了当前多种视觉任务的主流研究方向，通过引入深度神经网络对图像特征信息进行提取可以端到端地恢复出无雾图像，但同时需要一定量数据集来训练深层网络。根据输入是否为配对数据集可以大致分为无监督学习去雾算法和监督学习去雾算法两大类。其中，在无监督去雾算法分支中，Ren 等人[3]提出了利用GAN 进行去雾的算法(Dehaze-GAN)，该算法采用U-Net 体系结构的端到端生成式对抗网络训练方案，提取和缩放有雾图像的暗通道图，然后与模型中的特征进行融合。Zhu 等人[4]提出的用于图像映射和语义转换的循环对抗生成网络(Cycle-GAN)， 采用同时训练两组生成器和判别器的形式来保持循环一致性，除了循环一致性损失和应用了一个拉普拉斯金字塔网络来处理高分辨率的图像外，还通过增加循环感知一致性损失来增强单幅图像去雾网络的结构稳定性，从而训练得到生成器、全局或局部测试鉴别器