TSNet:A Two-stage Network for Image Dehazing with Multi-scale Fusion and Adaptive Learning

图像去雾一直是一个热门的研究课题。以前基于深度学习的图像去雾方法在合成数据集和真实数据集上都无法达到令人满意的去雾效果，表现出较差的泛化性。此外，单阶段网络通常会导致输出图像中出现许多带有伪影和色彩失真的区域。为了解决这些问题，本文提出了一个名为TSNet的两阶段图像去雾网络，主要由多尺度融合模块（MSFM）和自适应学习模块（ALM）组成。具体而言，MSFM和ALM增强了TSNet的泛化性。MSFM可以在多个尺度上获得大的感受野，并集成不同频率的特征以减少输入和学习目标之间的差异。ALM可以主动学习图像中感兴趣的区域，并更有效地恢复纹理细节。此外，TSNet被设计为一个两阶段网络，第一阶段网络执行图像去雾，第二阶段网络用于改善第一阶段网络结果中存在的伪影和色彩失真等问题。我们还将学习目标从真实图像更改为相反的雾地图，这提高了TSNet的学习效率。广泛的实验表明，与以前的最先进方法相比，TSNet在合成和真实数据集上表现出卓越的去雾性能。

研究深度学习在图像去雾方面的问题，提高其在合成数据集和真实数据集上的泛化能力，减少单阶段网络中出现的伪影和色彩失真。

提出了一个两阶段的图像去雾网络TSNet，包括多尺度融合模块（MSFM）和自适应学习模块（ALM），以提高泛化能力。MSFM可以在多个尺度上获得大的感受野，并集成不同频率的特征，从而减少输入和学习目标之间的差异；ALM可以主动学习图像中感兴趣的区域，并更有效地恢复纹理细节。

实验结果表明，TSNet在合成和真实数据集上的去雾性能优于之前的最先进方法。该论文使用了相应的数据集进行实验，并提供了开源代码。

最近的相关研究包括：Single Image Dehazing with Recurrent Convolutional Neural Network, Multi-scale Residual Network for Image Dehazing, Deep Dehazing Network: Multi-scale CNN with Skip-connection and Network in Network等。