[论文解读] Fast Single Image Dehazing via Multilevel Wavelet Transform based Optimization

Jiaxi He, Frank Xing+2 more|arXiv (Cornell University)|Apr 18, 2019

Image Enhancement Techniques参考文献 39被引用 6

一句话总结

本文提出了一种基于多级哈尔小波变换优化（MWTO）的快速、高质量单图像去雾方法。通过估计大气光并将其转化为凸线性优化问题，将原本非凸、双线性的去雾问题转化为凸线性优化问题，同时仅对低频小波子带进行优化，该方法在保持极低质量损失的前提下实现了实时性能，在速度和重建保真度方面均优于当前最先进方法。

ABSTRACT

The quality of images captured in outdoor environments can be affected by poor weather conditions such as fog, dust, and atmospheric scattering of other particles. This problem can bring extra challenges to high-level computer vision tasks like image segmentation and object detection. However, previous studies on image dehazing suffer from a huge computational workload and corruption of the original image, such as over-saturation and halos. In this paper, we present a novel image dehazing approach based on the optical model for haze images and regularized optimization. Specifically, we convert the non-convex, bilinear problem concerning the unknown haze-free image and light transmission distribution to a convex, linear optimization problem by estimating the atmosphere light constant. Our method is further accelerated by introducing a multilevel Haar wavelet transform. The optimization, instead, is applied to the low frequency sub-band decomposition of the original image. This dimension reduction significantly improves the processing speed of our method and exhibits the potential for real-time applications. Experimental results show that our approach outperforms state-of-the-art dehazing algorithms in terms of both image reconstruction quality and computational efficiency. For implementation details, source code can be publicly accessed via http://github.com/JiaxiHe/Image-and-Video-Dehazing.

研究动机与目标

• 解决现有单图像去雾方法中常见的计算效率低下和质量退化问题（如伪影、过饱和）
• 通过重新表述问题，克服去雾问题的非凸、双线性特性，将其转化为凸优化问题
• 利用多级离散哈尔小波变换（DHWT）实现降维，从而实现去雾的实时处理
• 通过仅在低频子带进行优化，在保证高去雾质量的同时实现低计算成本
• 提供一种可扩展、具有物理基础的解决方案，避免依赖额外数据（如深度图或偏振图像）

提出的方法

• 基于大气散射模型构建图像去雾问题，将无雾图像和透射率图视为未知变量
• 估计大气光常数，将双线性、非凸问题转化为凸线性优化问题
• 应用离散哈尔小波变换（DHWT）将输入图像分解为子带，将优化重点集中于低频分量
• 在低频子带上执行正则化优化，以降低维度的方式恢复无雾图像
• 通过逆离散哈尔小波变换（IDHWT）重构最终去雾图像
• 利用多级小波分解实现显著的维度压缩，加速处理过程，同时保留关键结构信息

实验结果

研究问题

• RQ1 非凸、双线性的去雾问题是否能被有效转化为凸优化问题，以提升稳定性与收敛性？
• RQ2 多级哈尔小波变换在多大程度上可降低计算复杂度，同时不牺牲去雾质量？
• RQ3 仅在低频子带进行优化与全图优化相比，在处理速度和视觉保真度方面有何差异？
• RQ4 所提方法是否能在标准图像和视频上实现实时性能，同时保持最先进水平的重建质量？
• RQ5 与现有快速去雾算法相比，该方法在图像尺寸和处理时间方面的可扩展性如何？

主要发现

• 在707×565图像上，所提MWTO方法处理时间仅为0.8秒，显著优于He的方法（14.5秒）和Berman的方法（1.6秒），仅相当于Berman方法平均时间的28%
• 在I-HAZE和O-HAZE数据集上，该方法在室内场景的PSNR达到16.619，室外场景为15.347，优于He的方法（15.285）和Meng的方法（14.574）
• 该方法在图像尺寸上表现出准线性复杂度，即图像尺寸为O(n)，像素数为O(√n)，显著优于Zhu和Berman等方法的O(n²)复杂度
• SSIM值分别为0.619（室内）和0.392（室外），表明结构信息保持良好，尤其在室内场景中表现突出
• 由于采用凸优化框架和物理模型基础，该方法有效减少了过饱和和伪影现象，优于以往方法
• 该算法在计算能力更强的设备上成功实现了352×240分辨率视频的实时去雾，证明了其实际可部署性