Cycle-Dehaze : Amélioration de CycleGAN pour le dévoilement d'images uniques

Dans cet article, nous présentons un réseau de bout en bout appelé Cycle-Dehaze pour le problème de débrumage d'images uniques, qui n'exige pas de paires d'images brumeuses et des images correspondantes de vérité terrain pour l'entraînement. Autrement dit, nous entraînons le réseau en alimentant des images nettes et brumeuses de manière non appariée. De plus, l'approche proposée ne repose pas sur l'estimation des paramètres du modèle de diffusion atmosphérique. Notre méthode améliore la formulation de CycleGAN en combinant les pertes cycliques et perceptuelles afin d'améliorer la qualité de la récupération des informations texturales et de générer des images exemptes de brouillard visuellement meilleures. Généralement, les modèles d'apprentissage profond pour le débrumage prennent des images à faible résolution en entrée et produisent des sorties à faible résolution. Cependant, dans le défi NTIRE 2018 sur le débrumage d'images uniques, des images à haute résolution ont été fournies. Par conséquent, nous appliquons une mise à l'échelle bicubique. Après avoir obtenu des sorties à faible résolution du réseau, nous utilisons la pyramide laplacienne pour redimensionner les images de sortie à leur résolution originale. Nous menons des expériences sur les jeux de données NYU-Depth, I-HAZE et O-HAZE. Des expériences approfondies montrent que l'approche proposée améliore la méthode CycleGAN tant quantitativement que qualitativement.