Image Hazing and Dehazing: From the Viewpoint of Two-Way Image Translation With a Weakly Supervised Framework | IEEE Transaction
Image dehazing is an important task since it is the prerequisite for many downstream high-level computer vision tasks. Previous dehazing methods depend on either the hand-designed priors/assumptions or supervised learning with plenty of data, which are ...
dl.acm.org
Keypoints of this paper
- hazing/dehazing이 모두 가능한 network framework를 제안. Parameter efficient.
- domain indicator를 통해 hazy/dehazy에 대한 정보를 high level feature로 활용
- local entropy map을 계산해서 attention map으로서 활용한다.
Details
Fog hazed image의 표기 방법. 보통 원본 이미지와 fog noise factor A, 픽셀별 transmission map t로 표기한다. 보통은 이 t를 어떻게 구하느냐가 fog synthesis의 핵심 문제이다.
모델 구조. Decoder에서 local entropy map과 domain indicator를 받는다.
dehazing/hazing task indicator network. Task에 대한 high-level feature vector를 내놓는 것이 목적.
Local entropy map. STF에서 나온 entropy map과 동일한 방법으로 image에서 구한다.
Experiments
PSNR과 다른 지표에서는 가장 좋은 성능을 보인다. SSIM은 왜 최고치가 아닌지는 잘 모르겠다. PSNR이 높은 것은 아마 local entropy의 효과일지도?
local entropy를 사용해서 attention map을 만드는 것이 다른 기존 방법들 보다 좋다고 한다.
