《表2 本文方法与其他方法在合成雾图上的去雾质量评估》

  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

本节将本文方法与其他夜间去雾方法在合成数据集上进行去雾效果比较，用PSNR与SSIM作为评估标准。表2表示图像去雾质量评估，结果表明本文方法无论是PSNR还是SSIM都比其他方法较高，这是因为：使用Msmall-Patch训练方法（重度惩罚损失）加强了对糟糕区域或容易被误判区域的惩罚，提升了PSNR与SSIM值；加入感知损失加强了对高级特征的提取，提升了SSIM值；加入对抗感知损失加强了对中低级特征的提取，尽可能地保留全局结构，提升了PSNR值。同时，用四个测试集例子进行说明，如图7所示：前两行表示黄色背景合成雾图，后两行表示白色背景合成雾图，可以看出，文献[5]、文献[6]、文献[9]方法普遍存在着颜色失真（如黑框区域）及雾残留，这是由于对大气光取值不准确造成的；文献[5]及文献[6]方法在图片天空出现块效应、伪影及噪声（如白框区域），这是由于对透射率取值不准确造成的；文献[15]方法去雾后存在模糊现象且仍有雾残留，这是由像素损失本身缺陷造成的；文献[22]方法会出现少量噪声及伪影，这说明感知损失缺乏对低级特征的提取，仅加入感知损失不足以消除CGAN产生的噪声伪影。而本文方法产生的去雾与颜色保真效果与真实清晰图较接近，这是因为本文方法跳过了估计透射率与大气光步骤，避免了因取值不准确而导致的重建图像出现噪声、颜色失真等现象；另外，使用Msmall-Patch训练方法（重度惩罚损失）提高了生成器与鉴别器的互相抗衡能力，使生成的图片质量更好；同时结合感知损失与对抗感知损失避免了像素损失缺点，加强了对噪声的惩罚，提升了生成图片细节。