DehazeNet: an End-to-End System for Single Image Haze Removal

原文

主要贡献

1. DehazeNet是一个端到端的系统。它直接学习并估计有雾图像与透射率之间的映射关系。这是通过对其深层架构的特殊设计来实现的，以体现既定的图像去除原理。

2. 提出了一种新的非线性激活函数，称为双边线性单位(BReLU )。BReLU扩展了校正线性单元( ReLU )，并展示了它在获得精确图像恢复方面的意义。从技术上来说，BReLU使用双边约束来减少搜索空间并提高收敛速度。

3. 在DehazeNet模型和现有的先验知识于假设之间建立联系，并解释了DehazeNet通过端对端自动学习而优于这些方法。

大气散射模型

传统先验

暗通道先验

在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值，甚至接近于零

暗通道先验解析

最大对比度

基于统计信息，认为无雾图像相对于有雾图像对比度高得多
可以利用局部对比度来近似估计雾的浓度，也可以通过最大化局部对比度还原图像的颜色和能见度

颜色衰减先验

饱和度很容易受雾气影响，一旦有雾，下降的很快
亮度在有雾情况下反而上升
无雾情况下，亮度和饱和度几乎没差，受雾气影响，亮度和饱和度之间悬殊，且雾越浓，两者之差越悬殊

场景深度与亮度和饱和度之差成正比

色调不一致

DehazeNet

设计详述

1. 特征提取:提取雾相关特征。用适当的滤波器卷积输入的有雾图像，经过非线性映射（此时选择maxout激活函数），得到雾相关特征。输入为16X16的RGB图像，经过16个3X5X5的卷积核，得到16个12X12的特征图，经过4个4X1X1的maxout激活函数，得到4个12X12的特征图。第一层的输出为：

maxout激活函数
maxout激活函数可以看作在网络中加入一个激活函数层，包括k个参数，引入maxout激活函数，参数就增加了k倍。
隐藏节点的输出为：


如图，maxout层参数设置为4，则：

优点：
1.maxout不是一个固定的函数，是一个可以学习的分段线性函数。任何一个凸函数，都可以由线性分段函数进行逼近近似
2.maxout的拟合能力是非常强的，它可以拟合任意的的凸函数。
3.maxout具有ReLU的所有优点，线性、不饱和性;没有Relu的缺点
缺点：
参数数量激增

2. 多尺度映射：即使用不同尺度的卷积核对输入特征图进行卷积运算。分别用16个33、16个55和16个7*7的卷积核对输入特征图进行卷积，并且使用pdding是输出特征图大小一致，所以输出48个12X12的特征图。第二层的输出为：

3. 局部极值：根据CNN的经典架构，在每个像素下考虑邻域最大值，可以克服局部敏感性。局部极值与透射率的局部一致性的假设一致，可以有效抑制透射率的估计噪声。因此，用一个7X7局部最大值滤波，输出是48个4866。第三层输出为：
4. 非线性回归：大气透射率是一个概率（0到1），不可能无穷大，也不可能无穷小。所以提出双边整流线性单元( BReLU )激活函数，在双边约束的同时，保证局部的线性。
5. 第四层输出为：
6.
7.
8.
9.