초록
우리는 전반적인 단일 이미지 디해징 방법으로, 전송 맵, 대기 빛 및 디해징을 동시에 학습할 수 있는 Densely Connected Pyramid Dehazing Network (DCPDN)를 제안합니다. 이 방법은 대기 산란 모델을 네트워크에 직접 내장하여, 제안된 방법이 디해징을 위해 물리학 기반의 산란 모델을 엄격히 따르도록 합니다. 다양한 수준의 특성에서 정보 흐름을 최대화할 수 있는 밀집 네트워크에서 영감을 받아, 우리는 전송 맵 추정을 위한 다단계 피라미드 풀링 모듈이 포함된 새로운 에지 보존형 밀집 연결 인코더-디코더 구조를 제안합니다. 이 네트워크는 새로 도입된 에지 보존 손실 함수를 사용하여 최적화됩니다. 추정된 전송 맵과 디해징 결과 간의 상호 구조적 정보를 더욱 통합하기 위해, 생성적 적대 네트워크(GAN) 프레임워크 기반의 공동 판별기를 제안하여 해당 디해징 이미지와 추정된 전송 맵이 진짜인지 가짜인지를 결정합니다. 각 모듈의 효과성을 검증하기 위해 추정된 전송 맵과 디해징 결과 모두에서 아블레이션 연구가 수행되었습니다. 광범위한 실험을 통해 제안된 방법이 최신 기술보다 유의미한 개선을 이루었음을 입증하였습니다. 코드는 다음과 같은 주소에서 제공될 예정입니다: https://github.com/hezhangsprinter