《表1 不同损失的去雾质量评估》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Msmall-Patch训练的夜晚单幅图像去雾算法——MP-CGAN》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为生成质量更高的图片，本文提出新的复合损失函数；为了验证每一种损失的有效性，本文在验证集上验证，并用表1说明。可以看出，相对平均惩罚，重度惩罚损失在PSNR上略有提升，在SSIM上有较大提高，这是因为重度惩罚损失对结构的惩罚程度更大；对抗感知损失在PSNR上有较大提高，感知损失在SSIM上有较大提高，这是因为相对对抗感知损失，感知损失提取的特征为高级特征，提取的细节更丰富；复合损失函数使用时PSNR值与SSIM值最高。同时，图6展示了验证集例子在不同损失下的去雾效果，图6(b）表示加入平均惩罚损失虽然去掉部分雾，但引入伪影及噪声（如灯笼处及灯光处），图6(c）表示加入对抗感知损失，发现消除了一部分伪影，但仍有雾残留，图6(d）表示加入感知损失消除了伪影，但在图像细节及颜色保真方面与真实清晰图仍有差距；图6(e）表示重度惩罚损失仍会产生少许的伪影；图6(f）表示加入对抗感知损失消除了伪影；图6(g）表示加入感知损失去雾效果与图6(h）（真实清晰图）较接近，这是因为感知损失能提取更丰富的纹理、颜色特征。