⼩⿊导读
网络游戏制作
论⽂是学术研究的精华和未来发展的明灯。⼩⿊决⼼每天为⼤家带来经典或者最新论⽂的解读和分享，旨在帮助各位读者快速了解论⽂内容。个⼈能⼒有限，理解难免出现偏差，建议对⽂章内容感兴趣的读者，⼀定要下载原⽂，了解具体内容。实验结果
对于基于cnn的⽅法来说，充⾜的训练数据是必不可少的，但由于很难同时收集同⼀场景的⼲净和模糊图像，真实世界的去雾数据库⾮常稀缺。许多⽅法，如AOD-Net[8]，使⽤ASM[1]来合成去雾数据集。按照惯例，作者使⽤NYU-Depth-v2[16]来合成作者的数据集。NYU-Depth-v2提供了1449张清晰的图像及其相应的深度信息。参照NH-ASM，设置β=0.35，作者分别使⽤1000张图像和449张图像创建训练集和测试集。 同时，作者将每张图像的基本⼤⽓光因⼦随机设置在0.3 ~ 1.5之间，并对每个像素的⼤⽓光因⼦施加⼩于20%的随机扰动。利⽤该⽅法合成了每张合成的模糊图像的⾮均匀⼤⽓光图。低噪音风机箱
在训练过程中，作者分别使⽤FWB-Loss和MSE loss对前⽩平衡模块(FWB-Module)和估计传输模块(ETM)进⾏训练，训练的前提是地⾯真实⼤⽓光图和传输图的监督。然后，在ground truth⽆雾图像的监网络电视直播系统
督下，利⽤MSE损失对整个FWB-Net进⾏训练。在SGD算法[17]的帮助下，作者⽤100次迭代并⾏训练FWB-Module和ETM，再⽤100次迭代训练整个⽹络，然后重复这个循环，直到FWB-Module、ETM和FWB-Net全部收敛。在测试阶段，将模糊图像输⼊到模型中，使⽤⼲净的图像进⾏评估。防水摄像头
地沟油提炼生物柴油
结论
本⽂⾸先提出了⼀种新的⾮均匀⼤⽓散射模型(NH-ASM)来精确模拟真实雾景中复杂的光照条件。然后，作者分别设计了⼀种新的前⽩平衡模块(FWB-Module)和它独有的训练损失功能(FWB-Loss)。FWB-Module可以通过估算⼤⽓光因⼦来校正去雾结果的⾊移。FWB-Loss在训练FWB模块时对颜⾊偏移进⾏惩罚。作者进⼀步结合FWBModule和FWB-Loss组成⼀个统⼀的去雾⽹络FWB-Net，在去雾的同时抑制颜⾊漂移。实验结果表明，该⽅法能够在不发⽣⾊移的情况下获得良好的去雾效果。
论⽂链接：/ftp/arxiv/papers/2101/2101.08465.pdf
每⽇坚持论⽂分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。
触摸笔
- END -
#投稿通道#
让你的论⽂被更多⼈看到
如何才能让更多的优质内容以更短路径到达读者体，缩短读者寻优质内容的成本呢？答案就是：你不认
识的⼈。
总有⼀些你不认识的⼈，知道你想知道的东西。深度学习爱好者或许可以成为⼀座桥梁，促使不同背景、不同⽅向的学者和学术灵感相互碰撞，迸发出更多的可能性。
深度学习爱好者⿎励⾼校实验室或个⼈，在我们的平台上分享各类优质内容，可以是最新论⽂解读，也可以是学习⼼得或技术⼲货。我们的⽬的只有⼀个，让知识真正流动起来。
来稿标准：
· 稿件确系个⼈原创作品，来稿需注明作者个⼈信息（姓名+学校/⼯作单位+学历/职位+研究⽅向）
· 如果⽂章并⾮⾸发，请在投稿时提醒并附上所有已发布链接
· 深度学习爱好者默认每篇⽂章都是⾸发，均会添加“原创”标志
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议