要約
単一画像の除霧は、現代の多くの自律視覚アプリケーションにおいて重要な段階です。初期の事前情報に基づく方法では、しばしば手作業で設計されたエネルギー関数の最小化が時間のかかるプロセスでした。最近の学習ベースのアプローチでは、深層ニューラルネットワーク（DNN）の表現力を活用して、霧がかった画像とクリアな画像間の潜在的な変換を学習しています。しかし、クリアな画像と霧がかった画像の対応データを集める際の固有の制約により、これらの方法は合成データでの学習に頼らざるを得ません。室内画像と対応する深度情報から構築された合成データを使用しますが、屋外シーンを処理する際にドメインシフトが生じる可能性があります。そこで、私たちは完全に教師なしで訓練を行うための手法として、よく知られている暗いチャネル事前情報（Dark Channel Prior: DCP）エネルギー関数の最小化を利用することを提案します。ネットワークに合成データを与える代わりに、実世界の屋外画像のみを使用し、DCPを直接最小化することでネットワークのパラメータを調整します。私たちの「Deep DCP」技術はDCPの高速近似器と見なされるかもしれませんが、実際にはその結果を大幅に改善します。これはネットワークと学習過程を通じて得られる追加的な正則化があることを示唆しています。実験結果は、私たち的方法が大規模な教師あり方法と同等以上の性能を発揮することを示しています。