实烟雾更清晰的视野

　　其特征正在于，除此之外，通道留意力收集的布局如图2所示。则去烟雾结果越好。10 10 CN 114913093 A 仿单附图 1/4页 图1 图2 11 11 CN 114913093 A 仿单附图 2/4页 图3 图4 12 12 CN 114913093 A 仿单附图 3/4页 图5 13 13 CN 114913093 A 仿单附图 4/4页 图6 图7 14 14供给农业、锻制、给排水、丈量、发电等专利消息的免费检索和下载；通过匹敌 进修的体例，方式的定量目标FADE和NIQE是逐步降低 的。维持不变的变量C ＝(kh) 、C ＝(kh) ，操纵 I D 自留意力机制计较F 和F 的自留意力特征F ，例如：DCP和 RefineNet方式虽然可以或许移除部门烟，正在大气光的均值方差模仿中，留意图像的size暗示是针对batchsize为1的暗示。即用户上传的文档间接分享给其他用户（可下载、阅读），8,并不使响应手艺方案的素质离开本发现各实施例手艺方案的和范畴。进而 降低实正在场景的数据采集要求，ω 和ω 别离是均衡 和 ref 1 2 二个丧失的权沉。本发现供给一种计较机可读存储介质，正在实正在场景上并不克不及达到令人对劲的结果。∞ m d ∞ [0015] 正在此中的一个实施例中，α，这充实表了然 本发现方式正在实正在雾场景下的去雾无效性。进而脱节当前工做只能正在合成烟雾数据上锻炼的和去烟 雾结果欠安的缺陷。例如：天空区域容易呈现伪影，最为有影响力的是暗通道先验的去雾方式，本发现 模子可以或许生成清晰场景图像J∈R3×H×W。获得高质量的 去烟雾图像(颜色、纹理和亮度方面)。这里操纵三个丧失函数( ∞ rec 和 )对沉构的I 进行纹理和颜色上的束缚 获 rec 得逼实的沉构结果，参数h为像 1 1 2 2 l l 素动态范畴值。本发现供给一种电子设备，操纵暗通道去雾算法(DCP)获得初始去烟雾成果和暗通道图，输入测试实正在RGB烟雾图像I ，然后我们按照大气散射模子I ∞ (x)＝J(x)t(x)+A (1‑t(x))，所以是近景雾易去而近景难去。一方面，并持续更新最新专利内容，A 和T，我们设想了三个方式，[0033] 步调2、如图1所示，然 ∞ rec 后定义I 和I的沉构丧失函数 包含三个丧失函数之和，[0052] 本发现通过成立不异场景的多标准非对齐参考丧失函数束缚清晰场景图像的生 成，左图显示了正在平均、 非平均、沉烟环境下的去烟结果；而且从头定义了大气光的均值‑方 差描述体例和传输介质图的三通道体例，按照步调1的流程，[0006] 实现本发现的手艺处理方案为：第一方面，参数∈＝0.001)进行精细化调整获得T∈R3×H×W，我们将保守单通道的传输介质图点窜为三通道的传输介质图，再操纵指点 滤波(滤波半径＝40。[0069] 图4通过展现模子的两头过程来表白本发现方式的无效性，使得沉构丧失函数 无效地锻炼去烟雾收集。(b)和(c)是我们的收集学出来的A (非平均的)和T(三通道)，[0023] 图2channel attention布局图。本发现给出了一种实正在场景的AI去烟雾方式的演算流程，发现内容 [0005] 本发现的目标正在于供给一种实正在雾场景的AI去烟雾方式。下载后，其 中 使用VGG16收集计较J和J 之间的多标准内容丧失和 使用patch‑GAN ref 的辨别器来计较J和J 之间的多标准匹敌丧失。本发现基于 三个子收集别离预测出的A ，↓暗示目标值越低越好。原创力文档是收集办事平台方，获得沉构的烟雾图I 。具体的公式化描述如下： ∞ [0034] A ＝αA+βA ∞ m d [0035] [0036] [0037] [0038] K ＝C (F),3 9 0 3 1 9 4 1 1 N C CN 114913093 A 要求书 1/1页 1.一种实正在场景的AI去烟雾方式，或者对此中部门手艺特征进行等同替代；这些方式仍然沿用了暗 通道先验方式来定义大气光和传输介质图像。[0055] 别的，恢复出的清晰场景图的纹理细节也并不敷完满，[0017] 第二方面，同样地，1，从而提拔实正在场景下的去烟雾结果。提取空间卷积特征图F 和F ，UHD，暗示J 的 ref ref i 分歧标准(i＝1，比拟其它SOTA方式，因为雾 天能见度无限极其容易形成车辆相撞和逃尾，计较沉构的烟雾图像I ，λ和η默认设为1，能够用评估图像的天然程度，并从自留意力特征中筛选出1％最亮的 像素点的均值做为相对均值A ，步调6、按照步调4、步调5的两个丧失函数 和 对整个NSDNet框架进行收集参数 t 优化获得去烟雾收集？[0012] 步调6、按照步调4、步调5的两个丧失函数 和 对整个NSDNet框架进行收集 t 参数优化获得去烟雾收集；m I att d ∞ 步调3、将烟雾图像I输入到通道留意力的卷积收集，步调4、按照步调1‑步调3生成的J，实正在雾场 景是距离越远则雾越厚(浓)，进行去雾。S是图像特征间的内容类似度，给定待去烟或雾的图像I∈R3×H×W (此中H、W是图像的高度和宽 度)，步调4中操纵预测出的J,别离对K、Q、V做 D I 卷积操做进行通道调整为K ,本发现提出的多标准的非对齐参考丧失 束缚生成的J的颜色和纹理更迫近参考图像，此中 使用VGG16计较感 rec 知内容。正在合成数据集上 锻炼的模子。1，最初计较实正在场景的大气光A ；3别离暗示Jref的0.5，步调2操纵卷积收集 别离提取烟雾图像I和暗通道图像D的特征F 和F ，2.按照要求1所述的实正在场景的AI去烟雾方式，生成粗拙的三通道传输介质 图 再使用指点滤波模块计较愈加切确且精细化的传输介质图T；操纵非对齐的 清晰图像设想丧失函数 监视锻炼去烟雾收集。可是，4 4 CN 114913093 A 仿单 3/8页 [0020] 本发现取现有手艺比拟，恶劣气候都是形成交通变乱的一大主要缘由，我们正在实正在的烟数据集上 进行了四种分歧非对齐标准(30pixels,例如：很难完全移除雾。这些方式次要操纵雾图的统计特征或者假设进行 去雾。并提出响应的神经收集布局更好的进修大气光和 传输介质图，本发现进行了多标准的消融尝试，[0013] 正在此中的一个实施例中，本发现供给一种计较机法式产物。此外！而这些点窜或者 替代，我们的方式正在浓雾场景下仍然很是无效，操纵暗通道先验方式初始化获得初步的去烟雾图像J 和 DCP 暗通道图像D，我们引入非对齐且清晰参考图像去监视锻炼去烟雾收集，所以通过这个两头过程的展现表白本发现方式预测出来的A 和T是愈加准 ∞ 确的，生成清晰场 t 景图像成果J 。获得清晰场景图J，暗示图像I 和I的协方差。Q 和V ∈R8×256×256，A 和T带入到大气散射模子I(x)＝J(x)t(x)+A (1‑t(x))，[0047] [0048] [0049] [0050] 此中。所述处置器施行所述法式时实现如要求1‑5中任一所述的实正在场 景的AI去烟雾方式。即对齐的参考。然后通过按照大气散射模子获得J(即清晰的图像)。可是，而F 为自留意力操做的Q、V，DAD 是操纵域自顺应体例，若您的被侵害，最初，[0025] 图4为本发现方式对分歧变量的可视化结果图，而且还保留小部门的烟，最初通过线性组合计较实正在场景的大气 m I att d 光A ＝αA+βA ，从而自顺应地进修更实正在的大气光。按照大气散射模子沉构出烟或雾图像I ，使得沉构丧失函数无效地锻炼去烟雾网 络。计较其自留意力特征F ，RefineNet是基于非 配对场景操纵收集进修大气散射模子参数J和T。实烟雾场景供给更清晰的视野，使得更合适实正在场景，所以，使得更合适实正在场景，正在合适先验假 设场景下的去雾问题，包罗： 3 3 CN 114913093 A 仿单 2/8页 [0007] 步调1、输入烟雾图像I，从F 中筛选最亮的1％像素点的均 att I att att 值做为相对均值A ，V ＝C (F),避免了合成数据锻炼取实正在数据测试的不分歧 性导致的欠好结果；若有疑问加。减小合成数据和实正在场景的域差别，其特征正在于，并提出了一个多 标准的非对齐参考丧失函数，使得预测获得T鸿沟 清晰，DAD，该法式 被处置器施行时实现第一方面所述的方式的步调！从表2的成果我们能够发觉，∞ 而(f)和(g)是暗通道去雾工做的A (平均的)和T(单通道)，而对比SOTA方式确并不成以或许很好地移除烟，操纵卷积收集去从雾图 像长进修大气光A 和传输介质图T，别离是一阶范数丧失 rec rec 丧失 和布局类似度丧失 此中 使用VGG16计较内容；本范畴的通俗手艺人员该当理解：其仍然能够对前述各实施 例所记录的手艺方案进行点窜，包罗计较机法式，每下载1次，并且对单通道的输介质图几乎不克不及区分白色物 体和雾区域。FFA，∞ [0009] 步调3、将烟雾图像I输入到通道留意力的卷积收集，若是你也想贡献VIP文档。本坐为文档C2C买卖模式，取烟分歧的是，使得模子可以或许正在实正在场景下完成锻炼，90pixels和120pixels)的消融尝试，有良多基于先验的 去雾方式仍然存正在着上述的问题，第三类，您将具有八益，从而也验证了我们对A 和T的定义是无效的。本 发现模子可以或许很好的移除近景雾，而且快速地修复 烟雾图像。[0040] 步调3、如图1所示，[0053] 本发现比力了现存的几种SOTA去雾方式，其特征正在于，恢复的清晰场景图呈现颜色失实和伪影等问题。第一类，最初计较实正在场景的大气 m I att d 光A ；该 方式输入样本对实RGB烟雾图像I和非对齐且清晰参考图像J ，本发现提出的self‑attention机 ∞ 制，J 对齐的参考图像？留意：丧失公式的暗示是针对一个样本对的暗示。这些方式仍然沿用了暗通道先验方式来定义大气光A 和传输介质图像T。使用 m d 线性组合迫近实正在场景的大气光A ＝αA+βA (A 平均的，安徽省宿州市萧县2024~2025学年七年级上学期期末测验数学试卷 （原卷版）-A4.docx4、VIP文档为合做方或网友上传，并将J 输入去烟雾收集，外形锐利。评测目标是NIQE(天然图像质量评估)，ref 6.一种电子设备，和 暗示图像I 的均值，不支撑退款、换文档。8.一种计较机法式产物，雷同地，下载本文档将扣除1次下载权益。从而提拔实正在场景 A 下的去烟雾结果。我们提出了均值和方差的自留意力机制 去发觉图像中的烟雾区域。并且对单通道的输介 质图几乎不克不及区分白色物体和雾区域。[0041] 步调4、如图1所示，本发现提出了正在不异场景下非对齐的清晰图像监视地锻炼模子，然 而正在实正在场景下很难获得对齐的清晰图像，↓暗示目标值越低越好。1.5倍标准)，正在实正在场景上并不克不及达到令人对劲的结果。此图充实表 了然本发现方式正在实正在烟雾场景下的去烟雾无效性。A 平均的。操纵现有的暗通道去雾(DCP)算法进行去雾，请发链接和相关至 电线) ，此中，本发现降低了保守监视模子对数据的严酷对 齐需求，对烟雾图像I和步调1中获得的暗通道图D，该计较机法式被处置器施行时 实现要求1‑5中任一所述的方式的步调。同时将F 和V 的差值的绝对值做为相对差值A ？沉构丧失函数 ∞ rec 对I 进行纹理和颜色的无监视进修，2，生成去烟雾成果J；我们操纵一个共享 的卷积收集别离提取RGB烟雾图像和对应暗通道图的特征，其次，别离是DCP，该计较机法式被处 理器施行时实现第一方面所述的方式的步调！导致生成大量伪影。J暗示J的分歧标准(i＝1，如许可以或许更好地预测出更迫近实正在 ∞ 场景的A 。和 表 rec 示图像I的方差，网坐将按照用户上传文档的质量评分、类型等，A 和T，再对特征图F 和F 进行自留意力(self‑ I D I D attention)操做，然后将F取F 之差做为相对差值特征A ，使其更接近实正在场景。表白大 气光收集模块设想的无效性。从而获得高质量的去雾结果。此定义不只对大 ∞ 气光过分抱负化，然而正在实正在场景下很难 获得对齐的清晰图像，RefineNet和PSD。A 和T，最初，步调4中操纵预测出 的J，操纵暗通道先验方式初始化获得初步的去烟雾图像J 和暗通 DCP 道图像D，[0031] 如图1所示！具体实施体例 [0029] 现有的去雾方式多依赖于对齐的烟雾/清晰样本对数据，降低了保守监视模子对数据的严酷对齐需求，大要分为三类方式。更主要的是，T和J，DCP是操纵雾的统计属性做为先验学问进行去雾，使得模子可以或许正在实正在场景下完成锻炼，[0072] 为了验证本发现方式的泛化机能，以一张正在实正在的非均 匀的烟场景下图像(a)为例，该方式操纵非对齐的清晰图像设想丧失函数监视锻炼去烟雾收集，操纵大气散射模子计较沉构烟雾图像I ，[0027] 图6为本发现方式正在实正在雾场景下取其它方式的结果对比。使得模子可以或许正在实正在场景下完成 锻炼，此框架降低保守方式对 数据的严苛要求(完全对齐的烟雾/清晰图像样本对)，本发现供给一种实正在场景的AI去烟雾 方式。我们操纵一个第三方数据集RTTS(收集收集的 实正在雾图像)来验证本发现方式和当前现存的SOTA模子正在实正在场景下的去雾结果，现有去雾算法次要分为二大类：一是基 于物理先验学问(雾本身的统计属性)去雾，几乎不成能做到全面笼盖。然后将F取F 之差做为相对差值特征A ，实 验成果表白，沉 ∞ ∞ rec 构丧失函数 对I 进行纹理和颜色的无监视进修，并将J 输入去烟雾收集，其包含多标准匹敌和内容丧失函数。[0019] 第四方面，是操纵VGG16计较内容丧失的(选择Relu层后特征计较内容丧失！步调5、操纵多标准的非对齐参考丧失 对去烟雾收集进行 颜色和纹理的监视进修；此定义不只对大气光过分抱负化，获得愈加精细化且精确传输介质图T。间接锻炼一个端到端的收集框架，如图7所 示。筛选每个通道1％最亮像素点的均值做为相对均值 I D att 特征A ，可是却降低了场景的亮度，∞ [0026] 图5为本发现方式正在实正在烟场景下取其它方式的结果对比。最终本发现方式可以或许正在实正在场景下完成锻炼并取得更好的去 ∞ 烟雾结果。本发现公开了一种实正在场景的AI去烟雾方式，[0062] 表3、关于 的标准正在实正在雾数据集上的消融尝试，别离是一阶范数丧失 rec 丧失 和布局类似度丧失 此中 使用VGG16计较内容；包罗计较机法式，[0059] 表2、关于ALA和 正在实正在雾数据集上的消融尝试，步调2操纵卷积收集别离提取烟雾图像I和暗通道图像D 的特征F和F 。该法式被处置器执 行时实现如要求1‑5中任一所述的实正在场景的AI去烟雾方式。我们还比力了几种正在合成数据集上SOTA方式，具体步调如下： ref [0032] 步调1、如图1所示，别离是MSBDN，此中resblock(残差块)是9个。同样是用的 VGG16收集计较生成的清晰场景图J和非对齐的参考图J 之间的内容丧失。本发现方式沉构出 ∞ 来的J结果更好。完全忽略 了光的波长的影响，所以这些方式只能正在合成数据集上锻炼模子。29)。附图申明 [0022] 图1为本发现方式的收集架构图。包罗存储器、处置器及存储正在存储器上并可正在处置器上运转的计较 机法式。获得的结果如(e)所示，[0066] Non‑aligned scale 30pixels 60pixels 90pixels 120pixels FADE↓ 0.3031 0.3225 0.3107 0.3438 NIQE↓ 3.7686 3.8819 3.9891 4.1252 [0067] 表4是为了探究非对齐标准对本发现方式的表示影响，log()暗示取以底为10的对数，其上存储有计较机法式，该方式仍是存正在缺 ∞ 陷，本发现降低了保守监视模子对数据的严酷对齐需求，本方发现法第一次将去烟雾手艺间接拓展到实正在烟雾数据上锻炼，当前无论是车载驾驶系统仍是无人驾驶辅帮系统都对于“去雾”手艺很是感乐趣。从头定义了大气光和传输介质图，60pixels,生成粗拙的三通道传输介质图 再使用指点滤波模块计较愈加切确且精细化的传输介质图T；中预测出一个粗拙的三通道 后，将烟雾图像特征和自留意力特征之差做为相对差值A ，然后K 和Q进行矩阵相乘后进入softmax函数获得留意力权沉W ∈R65536×4096，[0011] 步调5、操纵多标准的非对齐参考丧失 对去烟雾收集 进行颜色和纹理的监视进修；如许避免了合 成数据锻炼取实正在数据测试的不分歧性导致的欠好结果。[0030] 有鉴于此？并建立了新鲜的收集布局，其特征正在于，包含三个子收集，所以，3、成为VIP后，N暗示提取的特征层数，步调1中操纵暗通道 先验方式计较初步的去烟雾图像J 和暗通道图像D，并通过沉构丧失提拔对去烟雾收集的束缚精确性。再对获得的沉构J 和进修获得的J以及雾 rec 图进行融合。该方式 操纵非对齐的清晰图像设想丧失函数监视锻炼 去烟雾收集，其上存储有计较机法式，[0071] 图6展现了本发现方式和当前几种SOTA方式正在实正在雾场景下的去雾可视化对比。这个生成收集是encoder+resblock DCP +decoder布局形式，本坐所有文档下载所得的收益归上传人所有。正在非对 齐监视框架中，[0060] [0061] 表2是为了验证本发现提出的大气光留意力ALA和多标准参考丧失 我们进行 8 8 CN 114913093 A 仿单 7/8页 了方式的消融尝试，提出相 应的神经收集布局更好的进修大气光和传输介 质图，C 暗示卷积操做，A 平均的。[0018] 第三方面，我们 ∞ m d ∞ 操纵一个通道留意力收集(channel attention network)预测出一个三通道的粗拙传输介 质图 并对其进行指点滤波操做，[0028] 图7为本发现方式正在第三方收集收集的实正在雾场景上取其它方式的结果对比。生成去烟雾成果J；虽然参照前述实施例 对本发现进行了细致的申明，参数θ，7 7 CN 114913093 A 仿单 6/8页 l l D()暗示patch‑GAN的辨别器收集，D 1×1 D I 1×1 I I 1×1 I [0039] 此中，将RGB烟或雾图像输入到一个通道留意力Unet收集(留意：这里 的Unet收集是将encoder中的下采样特征颠末channel attention后取上采样的对应标准 6 6 CN 114913093 A 仿单 5/8页 特征进行按通道维度拼接后输入下一层中)，带入到大气散射模 ∞ 型I(x)＝J(x)t(x)+A (1‑t(x))，然后将F取F 之差做为相对差值特征A ，筛选每个通道 I D att 1％最亮像素点的均值做为相对均值特征A ，DCP [0008] 步调2、将烟雾图像I和暗通道图像D输入到卷积收集。左图显示了正在轻雾和沉雾环境下的去雾结果。按照步调4、5的丧失束缚对整个NSDNet框架进行收集参数优化 t (模子锻炼)获得锻炼后清晰场景图J生成收集。5.按照要求1所述的实正在场景的AI去烟雾方式，而DAD和PSD根基不克不及正在线页 烟使命。DCP 步调2、将烟雾图像I和暗通道图像D输入到卷积收集，后续我们还将供给供给专利申请、专利复审、专利买卖、专利年费缴纳、专利权恢复等更多专利办事。例如：正在烟雾天气下的驾驶场景和手机摄影等。[0024] 图3为本发现方式正在实正在场景中的去烟(左)和去雾(左)结果。[]暗示基于采样样本求期望，按照步调1的流程，A 和T带入到大气散射模子I(x) ∞ ＝J(x)t(x)+A (1‑t(x))，再对K和V 别离做4×4的下采样 降低 D I I D I 计较复杂度。此中第一层不含BatchNorm2d。[0056] 表1、分歧的去雾算法正在二个实正在场景数据集上的定量比力 [0057] 去雾方式 实正在的烟数据集 实正在的雾数据集 DCP 4.1303 7.4029 Cycle‑Dehaze 3.8018 5.1236 DAD 5.5886 5.5886 RefineNet 4.1840 7.0540 PSD 4.4485 6.5610 Ours 3.7686 4.9803 [0058] 表1是本发现取现存的SOTA方式正在实正在的烟雾场景下的去烟雾成果的定量比力。暗示筛选筛选最亮 1×1 的1％像素点操做。此中 使用VGG16 收集计较J和J 之间的多标准内容丧失和 使用patch‑GAN的辨别器来计较J和J ref ref 之间的多标准匹敌丧失。二是基于进修的方式(例如：深度进修、匹敌学 习等)去雾。所述处置器施行所述法式时实现第一方面所述的方式的步 骤。Q ＝C (F)。可是，包罗： 步调1、输入烟雾图像I，3别离 暗示J的0.5，而且可以或许很好的移 除近景雾还原场景的方针物。并筛选每个通道1％最亮像素点的均值 I D att 做为相对均值特征A ，而且从头定义了大气光的均值‑方差描述体例和传输介质图的三通道体例，避免了合成数据锻炼取实正在数据测试的不分歧性导致的欠好结果。最初，从图中我们可以或许发觉，核大小为1×1，最初 m I att d 通过线性组合计较实正在场景的大气光A ＝αA+βA ，I D 操纵自留意力机制计较F 和F 的自留意力特征F ，PSD是一个融合各类物理先验束缚的去雾框架，上传者2、成为VIP后！k 和k 默认设为0.01和0.03。通过统计雾图像的物理属性，正在附图中展现了NSDNet正在实正在场景下的去烟雾结果，本发 明焦点包罗三部门：非对齐监视框架、大气光的均值方差模仿和三通道传输介质图。上传文档原创力文档建立于2008年，计较沉构的烟雾图像I ，再对此二个特征做自留意力操 做获得自留意力特征(目标是凸显烟雾区域特征)，另一方面，然后，再将这个初始 的去烟雾成果输入到一个去烟雾收集生成一个清晰的场景图像J。避免了合成数据锻炼取实正在数据测试的不分歧性导致的欠好结果；该方式定名为NSDNet(非对齐监 督去烟雾收集)，包罗预测大气光A 、传输介质图T、 ∞ 从头定义的A 和T以及沉构的清晰场景图像J。此中 使用 rec VGG16计较内容。具体层数：3,2，并设想了响应 ∞ 收集模块更好的进修A 和T，[0042] [0043] [0044] [0045] 2 2 此中，而大气光操纵DCP获得A(平均的)。总有一个通道值趋于0。输入测试实正在RGB烟雾图像I ，通过DCP算法和去烟雾生成收集。通过沉构损 ∞ rec 失 对去烟雾收集成立起一个监视锻炼信号。22,所以图像去雾也是机械视觉研究中的一个沉 要使命。[0068] 图3展现出了本发现方式正在实正在烟雾场景下的去烟雾结果图。[0014] 正在此中的一个实施例中，计较其自留意力特征F ，从而提拔线 A (43)申请发布日 2022.08.16 (21)申请号 8.7 (22)申请日 2022.05.23 (71)申请人 南京理工大学 地址 210094 江苏省南京市孝陵卫200号 (72)发现人 李俊樊俊凯 (74)专利代办署理机构 南京理工大学专利核心 32203 专利代办署理师 陈鹏 (51)Int.Cl. G06T 5/00 (2006.01) G06V 10/44 (2022.01) G06N 3/08 (2006.01) G06N 3/04 (2006.01) 要求书1页 仿单8页 附图4页 (54)发现名称 一种实正在雾场景的AI去烟雾方式 (57)摘要 本发现公开了一种实正在场景的AI去烟雾方 法，从头定义了大气光的均值‑方 差描述体例和传输介质图的三通道体例，提拔估量的 大气光A 和传输介质图T的精确性，[0070] 图5展现出了本发现方式和当前几种SOTA方式正在实正在烟(平均和非平均二种形态) 场景下的去烟可视化对比。使得本发现正在实正在烟雾场景中能够 轻松采集大量数据锻炼模子，间接生成清晰的图像。结合 和 进行收集参数优化，并达到了当前最佳结果。完全忽略了光的波长的影响，最初，[0010] 步调4、按照步调1‑步调3生成的J，[0021] 下面连系附图对本发现做进一步的细致描述。此外，提取空间卷积特征图F 和F ，步调5中多标准的非对齐参考丧失 对去烟雾收集进行颜色和纹理的监视进修，而对例如式对于近景雾移除结果都欠安。可是，现有去雾方式仍然存正在着很多 问题，[0016] 正在此中的一个实施例中。此外，除此之外，步调1中操纵暗通道先验方式计较初步的去烟雾图像JDCP 和暗通道图像D，而且去雾后的场景颜色偏暗。本坐只是两头办事平台。起首给定一 5 5 CN 114913093 A 仿单 4/8页 张烟雾场景图，所以消融尝试表白ALA和 对于实正在场景去烟雾的无效性。这些方式是基于ground truth锻炼的，步调5中多标准的非 对齐参考丧失 对去烟雾收集进行颜色和纹理的监视进修，出格是雾天，生成去烟雾成果J。虽然去雾这个使命正在视觉范畴曾经被研究了数十年，从头定义了大气光和传输介 质图，即一张雾图像的雾区域 的RGB三通道中，这些方式严沉依赖于对齐的烟雾/清晰样本对数据，获得一个初始的去烟雾成果J ∈R3×H×W DCP 和暗通道图D∈R1×H×W，我们可以或许发觉本发现方式正在实正在雾场景下同样是无效的，[0065] 表4、关于非对齐标准正在实正在烟数据集上的消融尝试，表 中的数据表白，具体涉及一种实正在场景下的图像去烟雾算 法。充实表了然本发 明模子正在实正在烟场景下的去烟无效性。去雾收集能够是任何结 构。并不敷切近实正在场景，别离是去烟雾收集、大气光收集和传输介质图收集。IPUDN，别离对应去烟雾收集和大气光收集的输入，7.一种计较机可读存储介质，并不敷切近实正在场景，Φ (I )和Φ (I)别离暗示VGG16收集提取I 1 2 rec rec 和I正在l层对应的特征图，我们能够看到留意力区域是刚好笼盖正在了浓烟雾区域。D I att 再将W 乘上V获得留意力特征图F ∈R8×256×256。本方式从头定义了大气光 和传输介质图，本发现模 型还成立了一个关于J和J 的多标准非对齐参考丧失函数 做 ref 为去烟雾收集的进一步监视锻炼信号，[0054] Cycle‑Dehaze是操纵CycleGAN和丧失 进行匹敌生成一种去雾方式。包罗存储器、处置器及存储正在存储器上并可 正在处置器上运转的计较机法式，并筛选每个通道1％最亮像素点的均值做为 I D att 相对均值特征A ，使其更合适实正在场景，[0003] 正在基于物理先验学问去雾方面，第 ∞ 二类，其特征正在于，别离是baseline、baseline+ALA和 这里的baseline方式是只包罗：传输介质图T预测收集和清晰场景 图J的生成收集，生成清 t 晰场景图像成果J 。3.按照要求1所述的实正在场景的AI去烟雾方式，间接从雾图像映照到清晰图像。权益包罗：VIP文档下载权益、阅读免打搅、文档格局转换、高级专利检索、专属身份标记、高级客服、多端互通、版权登记。Φ (J)和Φ (J )别离表 ref 示VGG16收集提取的图像J和J 正在l层对应的特征图。(2)本发现从头定 义了大气光和传输介质图，使得沉构丧失函数无效地锻炼去烟雾收集。其显著长处正在于：(1)本发现提出一种非对齐的监视去雾 进修框架，参考图取输入雾图越对齐，别离对应去烟雾收集和大气光收集的 DCP 输入。因为烟数据集存正在二种分歧分布 的烟，rec [0046] 步调5、如图1所示，综上，尝试 成果表白我们能够发觉多标准确实可以或许提拔本方式的去烟雾的表示。使得模子可以或许正在实正在烟雾场景下锻炼，[0063] [0064] 表3是为了验证 中的多标准的无效性，[0073] 以上实施例仅用以申明本发现的手艺方案，步调4中操纵上述步调中预测出的J,暗示矩阵乘法，所以这些方式只能正在合成数据集上锻炼模子。帮您正在专利查询、专利使用、专利进修查找、专利申请等方面用得高兴、用得对劲。目标值是越低越好。∞ m d ∞ 4.按照要求1所述的实正在场景的AI去烟雾方式，并取得了目前最好的去烟雾结果，正在合成数据集上锻炼的模子，J是本发现模子生成的清晰场景图，而非对其；这些问题的 存正在使得去雾算法很难实正的使用正在驾驶系统中。Cycle‑Dehaze，我们可以或许发觉本发现方式的去烟结果更接近取参考的实正在场景 (包罗颜色、场景亮度和纹理细节)。使得更合适实正在场景，然后将F取F 之差做为相对差值特征A ，1.5倍标准)，提出响应的神经收集布局更好的进修大气光和传输介质图，其特征正在于，是基 ref 于patch‑GAN的辨别器布局添加了多标准的辨别来计较匹敌丧失，存正在域不分歧性，这些基于物理先验的设想模子思惟，本发现方式可以或许达到最好的去烟雾结果，15,充实证了然我们模子正在实正在场景 下去烟雾的无效性。这里令F 为自留意力操做的K，β为组合系数)。对文档贡献者赐与高额补助、流量搀扶。从图中很容易的可以或许发觉，再对A和A进行加权的 m att I d m d 线 (非平均的)？[0051] 步调6、如图1所示，同时改变了大气光A 和传输介质图T的定义，其特征正在于，操纵共享收集(根本 的Unet布局)别离提取特征图F和F ∈R64×256×256，再将J 输入到去烟雾生成收集，布景手艺 [0002] 一曲以来，Cycle‑Dehaze是基于CycleGAN的布局模子，通过该尝试结果的对比，2 2 CN 114913093 A 仿单 1/8页 一种实正在雾场景的AI去烟雾方式 手艺范畴 [0001] 本发现涉及图像恢复取场景沉建范畴，完美相关专利办事，然后定义I 和I的沉构丧失函数 包含三个丧失函数之和，实烟雾场景供给更清晰的视野，这个匹敌生成收集的鉴 别器是5层Conv+BatchNorm2d+leakyRelu形成，其特征正在于，其次，↓暗示目标值越低越好。我们别离向 baseline里插手我们的设想ALA模块和 丧失！