Cycle-Dehaze: 단일 이미지 흐림 제거를 위한 개선된 CycleGAN

본 논문에서는 훈련에 안개가 낀 이미지와 해당 지상 진리 이미지 쌍이 필요하지 않은 단일 이미지 안개 제거 문제를 위한 엔드투엔드 네트워크인 Cycle-Dehaze를 제시합니다. 즉, 우리는 클린 이미지와 안개가 낀 이미지를 비짝 짝(paired) 방식으로 입력하여 네트워크를 훈련시킵니다. 또한, 제안된 접근 방식은 대기 산란 모델 매개변수의 추정에 의존하지 않습니다. 우리의 방법은 cycle-consistency 손실과 perceptional 손실을 결합하여 CycleGAN 구성을 강화함으로써 질감 정보 복원의 품질을 개선하고 시각적으로 더 나은 안개 없는 이미지를 생성합니다.일반적으로, 안개 제거를 위한 딥러닝 모델들은 저해상도 이미지를 입력으로 받아 저해상도 출력을 생성합니다. 그러나 NTIRE 2018 단일 이미지 안개 제거 도전 과제에서는 고해상도 이미지들이 제공되었습니다. 따라서, 우리는 이중 입방(bicubic) 축소를 적용합니다. 네트워크에서 저해상도 출력을 얻은 후, 라플라시안 피라미드(Laplacian pyramid)를 이용하여 출력 이미지를 원래 해상도로 확대합니다.우리는 NYU-Depth, I-HAZE, 그리고 O-HAZE 데이터셋에서 실험을 수행하였습니다. 광범위한 실험 결과는 제안된 접근 방식이 CycleGAN 방법론을 정량적 및 정성적으로 모두 개선했다는 것을 보여줍니다.