针对现有图像去雾算法容易导致去雾图像颜色失真等问题,采用多教师知识蒸馏方式,融合基于先验信息的图像复原方法与基于深度学习的图像去雾方法的互补优势,提出了一种基于多教师引导的知识蒸馏图像去雾算法。该算法选择两个预训练的去...针对现有图像去雾算法容易导致去雾图像颜色失真等问题,采用多教师知识蒸馏方式,融合基于先验信息的图像复原方法与基于深度学习的图像去雾方法的互补优势,提出了一种基于多教师引导的知识蒸馏图像去雾算法。该算法选择两个预训练的去雾模型作为教师网络,并利用教师模型蕴含的知识指导学生网络的训练;此外,算法还通过构建一个多尺度学生网络以及设计特征注意残差密集块来提高学生网络的特征提取能力。结果表明:与其他去雾算法相比,所提算法在合成图像和真实场景图像上均表现出优异的去雾性能,在SOTS室外数据集上的峰值信噪比和结构相似度分别达到了23.57 d B和0.934。展开更多
文摘针对现有图像去雾算法容易导致去雾图像颜色失真等问题,采用多教师知识蒸馏方式,融合基于先验信息的图像复原方法与基于深度学习的图像去雾方法的互补优势,提出了一种基于多教师引导的知识蒸馏图像去雾算法。该算法选择两个预训练的去雾模型作为教师网络,并利用教师模型蕴含的知识指导学生网络的训练;此外,算法还通过构建一个多尺度学生网络以及设计特征注意残差密集块来提高学生网络的特征提取能力。结果表明:与其他去雾算法相比,所提算法在合成图像和真实场景图像上均表现出优异的去雾性能,在SOTS室外数据集上的峰值信噪比和结构相似度分别达到了23.57 d B和0.934。
