典型文献
四通道无监督学习图像去雾网络
文献摘要：
为了解决单幅图像去雾领域有监督网络和无监督网络分别存在的问题,基于循环生成对抗网络(CycleGAN),提出了一种四通道无监督学习图像去雾网络.所提模型主要包括3个子网络,即去雾网络、合成雾网络和注意力特征融合网络;并由此3个子网络顺序组合构建了4条学习通道,即去雾通道、去雾结果颜色?纹理恢复通道、合成雾通道以及合成雾结果颜色?纹理恢复通道.特别地,在合成雾网络中,为了更好地约束去雾网络生成更高质量的无雾图像,引入了大气散射模型(ASM)以加强网络从有雾图像域到无雾图像域的映射转换;同时,为了进一步提高去雾网络和合成雾网络的图像生成质量,提出了一种注意力特征融合网络,该网络基于雾相关派生图,采用多路映射结构和注意力机制,加强对生成图像颜色、纹理细节等信息的恢复.在合成雾和真实雾图数据集上的大量实验结果表明,所提方法能更好地恢复各类场景中雾图的颜色和纹理细节等信息.
文献关键词：
循环生成对抗网络;单幅图像去雾;大气散射模型;注意力特征融合;无监督学习
中图分类号：
作者姓名：
刘威;陈成;江锐;卢涛
作者机构：
武汉工程大学计算机科学与工程学院,湖北武汉 430205;武汉工程大学智能机器人湖北省重点实验室,湖北武汉 430205
文献出处：
引用格式：
[1]刘威;陈成;江锐;卢涛-.四通道无监督学习图像去雾网络)[J].通信学报,2022(10):210-222
A类：
纹理恢复
B类：
四通道,无监督学习,雾网络,单幅图像去雾,有监督网络,无监督网络,别存,循环生成对抗网络,CycleGAN,子网络,注意力特征融合,特征融合网络,学习通道,复通,更高质量,大气散射模型,ASM,图像域,图像生成,派生,多路,注意力机制,成图,图数据
AB值：
0.2071
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
