摘要

在本文中，我们提出了一种端到端的网络，称为Cycle-Dehaze，用于解决单幅图像去雾问题，该网络在训练过程中不需要成对的有雾图像及其对应的清晰图像。也就是说，我们通过输入未配对的清晰图像和有雾图像来训练网络。此外，所提出的方法不依赖于大气散射模型参数的估计。我们的方法通过结合循环一致性损失和感知损失来增强CycleGAN框架，以提高纹理信息恢复的质量并生成视觉效果更好的无雾图像。通常情况下，用于去雾的深度学习模型以低分辨率图像作为输入，并产生低分辨率输出。然而，在NTIRE 2018单幅图像去雾挑战赛中提供了高分辨率图像。因此，我们采用了双三次降尺度（bicubic downscaling）技术。从网络获得低分辨率输出后，我们利用拉普拉斯金字塔（Laplacian pyramid）将输出图像放大至原始分辨率。我们在NYU-Depth、I-HAZE和O-HAZE数据集上进行了实验。大量实验结果表明，所提出的方法在定量和定性方面均优于CycleGAN方法。