GridDehazeNet: Aufmerksamkeitsbasiertes Multi-Skalen-Netzwerk zur Bildentnebelung

Wir schlagen ein von Anfang bis Ende trainierbares Faltungsneuronales Netzwerk (Convolutional Neural Network, CNN) vor, das GridDehazeNet genannt wird, für die Entnebelung einzelner Bilder. GridDehazeNet besteht aus drei Modulen: Vorverarbeitung, Hauptnetz und Nachverarbeitung. Das trainierbare Vorverarbeitungsmodul kann gelernte Eingaben mit größerer Vielfalt und relevanteren Merkmalen generieren als jene durch manuell ausgewählte Vorverarbeitungsmethoden erzeugten Eingaben. Das Hauptnetzmodul implementiert eine neuartige aufmerksamkeitsbasierte Mehrskalen-Schätzung in einem Gitternetzwerk, die das oft bei konventionellen Mehrskalen-Ansätzen auftretende Engpassproblem effektiv lindern kann. Das Nachverarbeitungsmodul hilft dabei, Artefakte im Endausgang zu reduzieren. Experimentelle Ergebnisse zeigen, dass GridDehazeNet sowohl bei synthetischen als auch bei realen Bildern den aktuellen Stand der Technik übertrifft. Die vorgeschlagene Entnebelungsmethode basiert nicht auf dem atmosphärischen Streuungsmodell, und wir geben eine Erklärung dafür, warum es nicht unbedingt vorteilhaft ist, die Dimensionenreduktion durch das atmosphärische Streuungsmodell für die Entnebelung von Bildern zu nutzen, selbst wenn nur die Entnebelungsergebnisse synthetischer Bilder betrachtet werden.