문제 : 합성 훈련 데이터와 실제 테스트 이미지 사이의 영역 이동은 종종 기존 방법의 성능 저하로 이어집니다 접근 방식 : 레이블이 지정되지 않은 실제 데이터와 협력하는 새로운 이미지 디헤이징 프레임
워크 • Coarse-to-Fine 전략을 통해 전송 맵, 잠재 헤이즈 프리 이미지 및 대기 조명 맵을 예측하기 위해 분리된 이미지 디헤이징 네트워크(DID-Net)를 설계합니다. • 비얽힌 일관성 손실이 있는 DMTNet(Disentangled Consensus Mean Teacher Network)을 사용하여 공동으로 레이블이 지정된 합성 및 레이블이 지정되지 않은 실제 데이터.
Loss function:
• Supervision loss: ground truth와 StudentDID의 차이
• Consistency loss: 실제 포그 맵과 네트워크 상의 합성 포그 맵 간의 차이를 맞추기 위해
데이터 세트:
SOTS 테스트: 1000
훈련: 실내 3000 outdoor3000
hazeRD 테스트:
NYU-Depth에서 15 haze4K, indoor500, outdoor500
테스트: 실내 125 실외 125
훈련: 750
먼저 1,000개의 테스트 이미지로 구성된 공개 벤치마크 데이터 세트인 SOTS [33] 에서 각 이미지 디헤이징 방법을 테스트합니다 . 우리는 RESIDE 데이터세트[19 ]의 실내 훈련 세트(ITS)에서 3,000개와 야외 훈련 세트(OTS)에서 3,000개를 포함하여 6,000개의 합성 이미지로 관련 훈련 세트를 설정하기 위해 기존 작업[33]을 따릅니다 . 둘째, 테스트를 위해 보다 사실적인 안개가 있는 15개의 야외 이미지가 포함된 HazeRD [44]가 도입되었습니다 . SOTS 및 HazeRD 외에도 우리는 4,000개의 흐릿한 이미지의 합성 데이터 세트 (Haze4K로 표시됨)를 생성했습니다. 여기서 각 흐릿한 이미지에는 기본 깨끗한 이미지, 전송 맵 및 대기 라이트 맵에 대한 관련 실측 정보가 있습니다. 구체적으로 NYU-Depth[34]에서 500개의 실내 이미지와 OTS[19]에서 500개의 실외 이미지를 무작위로 선택하여 1,000개의 깨끗한 이미지를 수집했습니다. 이 중 테스트 세트 로 실내 이미지 세트(125개 이미지)와 실외 이미지 세트(125개 이미지)에서 무작위로 250개 이미지를 선택합니다.
, 나머지 750개의 이미지는 트레이닝 세트로 사용됩니다. 그 후, 각 깨끗한 이미지에 대해 [43]에 따라 4개의 매개변수 설정, 즉 대기 조명 조건 A∈[0.5, 1]과 산란 계수 β∈[0.5, 2]를 무작위로 샘플링하여 전송 맵을 생성합니다. 및 대기조명지도 , 식의 물리적 모델에 의해 해당 블러링 이미지를 얻는 데 사용됩니다. (1). 따라서 Haze4K에는 4,000개의 흐릿한 이미지, 3,000개의 훈련 이미지 및 1,000개의 테스트 이미지가 있습니다.
요약:
교육 및 테스트 전략
