Propomos uma estrutura de dehazing fracamente supervisionada em dois estágios, RefineDNet. Na primeira etapa, o RefineDNet adota o canal escuro
antes de restaurar a visibilidade -----recuperando a visibilidade Na segunda etapa, o resultado é refinado, por aprendizagem adversária usando imagens nítidas nebulosas não pareadas ----- --- Melhorando o realismo (removendo apenas artefatos - supervisão fraca) Para obter resultados mais qualificados, também propomos uma estratégia de fusão perceptiva eficaz para fundir diferentes saídas de organização. O efeito visual baseado em aprendizado é bom, e o efeito de desembaçamento baseado em anterior é bom.
Estratégia de fusão perceptiva:
Como a imagem refinada e a imagem desfocada reconstruída são geradas de maneiras diferentes, é impossível que elas realizem a mesma operação em todas as regiões. É provável que qualquer um deles supere o outro em algumas regiões. Portanto, fundir regiões melhores em qualquer uma delas pode melhorar o desempenho.
Atualize Rt (a rede do módulo de transmissão) fazendo uma perda entre o mapa de nevoeiro sintético e o mapa de nevoeiro real - o Apêndice c no artigo
atualiza Rj por meio do discriminador D
Usando a autenticidade de Ireal e a semelhança de duas imagens limpas como critério de autenticidade para a imagem desembaçada,
Fórmula de cálculo do VSI:
https://zhuanlan.zhihu.com/p/210899060
