論文地址：https://arxiv.org/pdf/1902.01374.pdf
Table of Contents
主要貢獻：
- 該系統使用不成對的霧和無霧訓練圖像，對抗性鑑別器和循環一致性損失來自動構建除霧系統；
- 通過嵌入大氣散射模型的原理和天空先驗知識，訓練CNN網絡進行訓練數據的合成；
- 提供一個數據集（MRFID）包含200個自然戶外場景的圖像；
- 所使用的評價標準是new visible edges e，contrast restoration r，
缺陷：
- CycleDefog2Refog無法處理大霧；原因是當前大氣降解模型在這種情況下不能再準確地描述霧圖，在未來的工作中，希望通過專門優化此模型並構建多種多霧的數據集來訓練我們的網絡來解決這個問題；
- 處理的圖像有些過於平滑，損失了圖像細節；
- 近景偏暗，遠景霧氣沒有去除的很好。
0.論文提出的數據集（MRFID）（尚未開源）
包含200個自然戶外場景
圖像是從固定攝像機在一年的過程中拍攝的一系列圖像中手動選擇的不同霧密度
一個場景 》》》一個清晰圖像 》》》四個相應的四個霧密度圖像
包括200個清晰的戶外圖像和800個具有不同霧密度的模糊圖像
1. 論文的主要思路是：
1.1 實現去霧過程：有霧圖像 》》》清晰圖像
採用的方法是兩步實現去霧過程，即第一步去除較少的霧，第二步進行加強。
1.2. 逆向生成霧圖： 清晰圖像 》》》 有霧圖像
同樣採用兩步進行霧氣的生成。
1.3 訓練數據的合成（使用CNN）
在傳統的CycleGAN中，我們可以使用CNN直接生成模糊圖像以禁止defog映射功能。 然而，在實踐中，由於各種模糊圖像內容的多樣性和複雜性，僅通過使用卷積神經網絡來擬合模糊圖像的分佈是非常困難的。 相反，我們引入了基於CNN的大氣降解模型來合成模糊圖像。 具體地，我們使用CNN來估計透射圖T並使用sky prior 估計大氣光A。
在使用清晰圖像生成有霧圖像的過程中，使用的方法是：
2. 實驗結果
4. 客觀評價指標：
In this experiment,the synthetic images have come from RESIDE dataset [17].
論文中使用的的評價指標是
- F
- new visible edges e
- quality value of the contrast restoration r
- normalized saturate value of pixels.
[21]G. Meng, Y. Wang, J. Duan, S. Xiang, and C. Pan. Efficient image dehazing with boundary constraint and contextual regularization. In Proceedings of the IEEE international conference on computer vision, pages 617–624, 2013
評價指標
這是在FADE和BAVE數據集上測評的結果
在真實的數據上測評
進行主觀人眼評價， 在真實場景下的處理結果：
- 圖像過於平滑，損失了很多的圖像細節；
- 對於圖像的近景部分，圖像相對偏暗；
- 對於圖像的遠景部分，霧並沒有去除的很好。