当前位置：首页 > wzjs >正文

建站之星极速版郑州网站建设网站制作

wzjs 2025/9/11 6:55:22

建站之星极速版,郑州网站建设网站制作,有域名怎么做公司网站,自己做响应式网站难吗论文总结：《UR2P-Dehaze: Learning a Simple Image Dehaze Enhancer via Unpaired Rich Physical Prior》 1. Retinex 理论简介 Retinex 理论由 Edwin Land 提出，主要用于解释人类视觉系统如何感知颜色和光照。该理论认为，图像可以分解为两…

论文总结：《UR2P-Dehaze: Learning a Simple Image Dehaze Enhancer via Unpaired Rich Physical Prior》

1. Retinex 理论简介

Retinex 理论由 Edwin Land 提出，主要用于解释人类视觉系统如何感知颜色和光照。该理论认为，图像可以分解为两个部分：

反射分量（Reflectance）：表示物体本身的固有颜色。
光照分量（Illumination）：表示光源对物体的影响。

其中 Ihazy 和 Iclear 表示迭代过程中的模糊图像和恢复图，而 Lhazy 和 Lclear 表示迭代期间的照明图像。它们共享相同的反射率分量R。

在去雾任务中，Retinex 理论的作用是将去雾问题转换为图像增强问题，通过恢复合理的光照和反射分量，提高图像的视觉质量。

2. 核心创新

UR2P-Dehaze 的主要创新包括：

基于 Retinex 理论的去雾策略
- Retinex 理论由 Edwin Land 提出，其核心思想是将图像分解为反射分量（物体固有颜色）与光照分量（光源影响）。在去雾过程中，通过恢复合理的光照和反射分量，能够更好地还原图像真实颜色和细节。
共享先验估计器（SPE）
- 模型自动从有雾图像中学习光照、反射率和颜色信息，而不依赖人工设定的先验，使得去雾过程更加适应不同场景。
动态小波可分离卷积（DWSC）
- 结合小波变换与深度可分离卷积，模型能够在高低频域同时提取特征。高频信息有助于细节恢复，低频信息则保证整体结构一致性。
自适应颜色校正器（ACC）与颜色损失
- 为解决去雾后常见的颜色偏差问题，模型引入自适应颜色校正模块，并在损失函数中加入颜色损失，确保输出图像的色彩分布与真实图像一致。

3. 模型架构与流程

UR2P-Dehaze 采用了两分支结构，分别从不同角度恢复图像信息，具体流程如下：

输入层
- 模型的输入是一张有雾图像（Hazy Image）。
自适应先验分支
- 共享先验估计器（SPE）：
  利用 Retinex 理论将输入图像分解为光照与反射分量，同时提取颜色信息。通过数据驱动学习，获得精确的物理先验。这一分支不仅有助于恢复图像细节，同时为后续颜色校正提供有力支持。
- 颜色损失支撑：
  在该分支中，颜色损失用于约束模型生成的反射分量，使其在色彩分布上与原始图像保持一致，避免出现色偏。
频率分解分支
- 动态小波可分离卷积（DWSC）：
  通过小波变换将图像分解为低频和高频部分，利用深度可分离卷积分别提取两部分的特征。低频特征保证整体亮度和结构的一致性，高频特征则用于细节恢复和纹理保留。
自适应颜色校正（ACC）
- 将来自两个分支的特征融合后，使用 ACC 对融合结果进行颜色调节，进一步校正因去雾过程引入的色偏，确保输出图像在视觉上更自然、色彩更准确。
最终输出
- 综合以上两大分支的优势，模型输出一张高质量的去雾图像，既保留了细节，也恢复了真实的颜色信息。