计算机科学>计算机视觉和模式识别
标题: 基于层次对比学习的雾天视觉恢复
摘要: 在朦胧天气条件下的图像复原,即单幅图像去噪,一直是各种计算机视觉应用领域的研究热点。 近年来,基于深度学习的方法取得了成功。 然而,现有的图像去噪方法通常忽略了神经网络中特征的层次性,未能充分利用它们之间的关系。 为此,我们提出了一种基于特征融合和对比学习策略的有效图像去噪方法——层次对比去噪(HCD)。 HCD由分层去叠网络(HDN)和新的分层对比度损失(HCL)组成。 具体来说,HDN的核心设计是一个分层交互模块,它利用多尺度激活来分层修改特征响应。 为了配合HDN的训练,我们提出了HCL,该HCL对层次配对样本进行对比学习,以促进去雾。 在公共数据集RESIDE、HazeRD和DENSE-HAZE上进行的大量实验表明,HCD在PSNR、SSIM方面在数量上优于最先进的方法,并实现了更好的视觉质量。