[论文解读] The Effectiveness of Instance Normalization: a Strong Baseline for Single Image Dehazing
本文提出了一种简单而有效的端到端深度学习框架，用于单张图像去雾，采用带有跳跃连接和实例归一化的编码器-解码器架构。通过利用预训练的VGG特征，并结合L2损失和感知损失进行训练，该方法在不依赖大气散射模型或手工设计先验的情况下，实现了最先进性能，在基准数据集上的表现显著优于先前方法。
We propose a novel deep neural network architecture for the challenging problem of single image dehazing, which aims to recover the clear image from a degraded hazy image. Instead of relying on hand-crafted image priors or explicitly estimating the components of the widely used atmospheric scattering model, our end-to-end system directly generates the clear image from an input hazy image. The proposed network has an encoder-decoder architecture with skip connections and instance normalization. We adopt the convolutional layers of the pre-trained VGG network as encoder to exploit the representation power of deep features, and demonstrate the effectiveness of instance normalization for image dehazing. Our simple yet effective network outperforms the state-of-the-art methods by a large margin on the benchmark datasets.
研究动机与目标
- 为解决单张图像去雾这一具有挑战性的问题，其中雾霾会降低图像质量和可见度。
- 克服先前方法依赖手工设计先验或显式大气散射模型的局限性。
- 探究深度特征与归一化技术是否可作为去雾的有效归纳偏置。
- 为未来单张图像去雾研究建立一个强大且简洁的基线。
提出的方法
- 该方法采用带有跳跃连接的编码器-解码器架构，以保留空间细节。
- 编码器使用来自VGG网络的预训练卷积层，以提取强大的深度特征。
- 对深度特征应用实例归一化，以适应其统计特性，从而提升去雾任务的特征表示能力。
- 网络通过结合L2重建损失与基于VGG的感知损失进行训练，以增强视觉质量。
- 该方法未显式建模大气散射方程，而是依赖端到端学习。
- 模型仅在从RESIDE-standard数据集生成的合成雾像上进行训练。
实验结果
研究问题
- RQ1当应用于预训练网络的深度特征时，实例归一化是否能有效提升图像去雾性能？
- RQ2一种不显式建模大气物理过程或依赖手工设计先验的端到端深度学习方法，是否能超越现有最先进方法？
- RQ3在ImageNet上预训练的模型，若在合成雾像数据上微调，其在单张图像去雾任务上的泛化能力如何？
- RQ4即使未显式建模物理散射过程，预训练VGG网络的深度特征是否仍可作为去雾的强大归纳偏置？
主要发现
- 在RESIDE-standard基准数据集上，所提方法在性能上大幅超越所有最先进方法。
- 在从NYU深度数据合成的D-Hazy-NYU和D-Hazy-MB数据集上，模型取得了优越的定量结果。
- 在I-Haze和O-Haze跨域数据集上，尽管存在域偏移，该方法仍取得了具有竞争力的结果，表明其具有强大的泛化能力。
- 定性结果表明，该模型能有效去除雾霾并恢复真实色彩，尤其在暗部和复杂区域表现优异，而基线方法在此类区域往往失效。
- 消融实验证实，与批量归一化及其他归一化方法相比，实例归一化显著提升了性能。
- 该方法在多种多样的雾像分布上均表现出良好的泛化能力，表明学习到的深度特征统计特性对域变化具有鲁棒性。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。