改进循环生成式对抗网络的图像去雾方法
作者:黄山; 贾俊
更新时间:
针对现有图像去雾算法中存在的颜色失真、细节丢失和非自然去雾效果等问题,提出了一种基于改进循环生成对抗网络的图像去雾方法。该方法通过增加多尺度鉴别器作为鉴别器,改进了原有的网络结构,增强了识别能力,从而引导网络生成更精细、更自然的无雾图像。对损失函数进行了重新设计,采用最小二乘法代替交叉熵作为应对损失的措施,引入了圆形感知损失,新复合损失函数由原始圆形一致性损失组成,以提高图像颜色和细节恢复的质量。该模型在d-Aristole和SOTS数据集上进行了训练和测试,并以峰值信噪比和结构相似性指数作为客观指标来评估除雾后的图像。与原循环生成对抗网络相比,该算法的峰值信噪比度从19.05dB提高到23.13dB,结构相似性指数从0.79提高到0.87。与dehazenet、AOD-Net和GCANet等主流除雾方法相比,该算法的峰值信噪比和结构相似性指数分别比二级算法高出约7个百分点和4个百分点。实验结果表明,该算法能生成更多的自然无雾图像,其主观效果和客观指标均优于其他方法,具有更好的除雾能力。