Débruitage non supervisé d'une seule image en utilisant la perte de priorité du canal sombre

Le débrouillardage d'images uniques est une étape cruciale dans de nombreuses applications modernes de vision autonome. Les méthodes basées sur des a priori précoces impliquaient souvent une minimisation chronophage d'une fonction d'énergie conçue manuellement. Les approches récentes basées sur l'apprentissage exploitent la puissance représentative des réseaux neuronaux profonds (DNNs) pour apprendre la transformation sous-jacente entre les images brouillées et les images claires. En raison des limitations inhérentes à la collecte d'images claires et brouillées correspondantes, ces méthodes ont recours à l'entraînement sur des données synthétiques, construites à partir d'images intérieures et de leurs informations de profondeur correspondantes. Cela peut entraîner un écart de domaine lors du traitement de scènes extérieures. Nous proposons une méthode entièrement non supervisée d'entraînement par minimisation de la fonction d'énergie bien connue du Priorité du Canal Sombre (DCP). Au lieu d'alimenter le réseau avec des données synthétiques, nous utilisons uniquement des images extérieures réelles et ajustons les paramètres du réseau en minimisant directement le DCP. Bien que notre technique « Deep DCP » puisse être considérée comme un approximateur rapide du DCP, elle améliore en réalité ses résultats de manière significative. Ceci suggère qu'une régularisation supplémentaire est obtenue grâce au réseau et au processus d'apprentissage. Les expériences montrent que notre méthode se compare favorablement aux méthodes supervisées à grande échelle.