Please enable JavaScript.
Coggle requires JavaScript to display documents.
NTIRE 2018 Challenge on Image Dehazing: Methods and Results - Coggle…
NTIRE 2018 Challenge on Image Dehazing: Methods and Results
挑战赛方法和团队
（1）Scarlet Knights 团队：
（16）IMCL团队：将有雾图像分解为非雾霾背景图像和雾霾图像，采用对抗训练机制，以双交叉的方式合成非雾霾背景图像和雾霾图像，使两个对抗分支相互作用，实现双赢。将两个生成器（一个用于背景生成，另一个用于雾霾生成）扭转在一起，形成闭环结构；
（15）AHappyFaceI团队：
（14）ASELSAN团队：使用更稳健的雾度颜色估计来改进暗通道先验，初始预处理步骤通过使用强度和饱和度先验来估计雾霾颜色。 然后，通过使用这些估计来减少雾色的影响；
（13）Retinex 团队去雾：将 Retinex 应用于模糊图像的反转强度，然后反转结果，可以有效去除阴霾；
（12）CLEAR 团队：改进暗通道先验法，具有色彩保真度，首先，使用 Prewitt 算子和均值滤波器细化根据暗通道先验估计的初始传输图。 其次，提出了分段约束函数来保持颜色保真度；
（11）IVLab团队：网络捕获不同的雾滴浓度和尺寸分布，采用基于强度的自适应高对比度直方图均衡技术对有雾图像进行预处理；
（10）SiMiT-Lab团队：一种端到端网络Cycle-Dehaze，改进的CycleGAN
（9）Xdhm团队：使用 pix2pix [15] 和 IRCNN [37]
（8）Mt.Phoenix团队：结构类似于U-Net，编码器部分，使用多层卷积、批量归一化、PReLU来提取相关特征。 解码器部分还利用多层卷积、批量归一化、PReLU 层来消除雾霾并重建干净的图像。 编码器和解码器之间的跳跃连接有助于特征和梯度传播并减轻训练难度；
（7）CLFStudio 团队：渐进特征融合网络（PFFNet）
（6）Dq-hisfriends 团队：
（5）Ranjanisi 团队：
（3）FKS 团队：
（4）KAIST-VICLAB 团队：
（2）北京交通大学团队：
挑战赛结果
架构和主要思想
（2）KAIST-VICLAB 设计了一种基于 pix2pixGAN 模型 [15] 的架构，其中 U-Net 作为生成器，patchGAN [15] 作为判别器；
（3）Dehazingby-retinex 使用无监督技术 Retinex 来处理模糊图像的反转强度；
（1）Scarlet Knights 团队提出一个多级金字塔池模块的密集残差编码器-解码器结构，用于估计去雾图像，使用传统的 L2 损失和新引入的感知损失进行优化；
标题：NTIRE 2018 图像去雾挑战赛：方法和结果
摘要：本文回顾了图像去雾（恢复模糊图像中的丰富细节）的第一个挑战，使用两个数据集室内图像（ I-HAZE 数据集），室外图像（ O-HAZE 数据集）
引言：雾霾是一种常见的大气现象，由微小的漂浮颗粒产生，由于
光散射和衰减
，这些颗粒会降低远处物体的可见度。 这会导致
远处物体的局部对比度损失、图像中增加噪声以及光谱选择性衰减
。尽管已有方法在去雾性能已达到成熟，但受到缺乏参考无雾图像的影响阻碍进一步发展，收集有雾和无雾的地面实况图像对的一个关键问题在于需要捕获具有相同场景照明的两幅图像。现有的去雾质量指标仅限于
非参考图像质量指标（NRIQA）
。最近方法通过使用
光学模型和已知深度信息
来合成雾霾效果，例如FRIDA数据集、D-HAZY数据集。
