针对传统的单幅图像去雾算法容易受到雾图先验知识制约及颜色失真等问题,提出了一种基于深度学习的多尺度卷积神经网络(CNN)单幅图像去雾方法,即通过学习雾天图像与大气透射率之间的映射关系实现图像去雾。根据大气散射模型形成雾图机理,设计了一个端到端的多尺度全CNN模型,通过卷积层运算提取有雾图像的浅层特征,利用多尺度卷积核并行提取得到有雾图像的深层特征,然后将浅层特征和深层特征进行跳跃连接融合,最后通过非线性回归得到雾图对应的透射率图特征,并根据大气散射模型恢复出无雾图像。采用雾图数据集对该模型进行训练测试。实验结果表明,所提方法在合成有雾图像和真实自然雾天图像的实验中均能取得良好的去雾效果,在主观评价和客观评价上均优于其他对比算法。

图像盲复原是从一幅观测的模糊图像恢复出模糊核和清晰图像, 传统盲去卷积算法采用简化模型估计模糊核, 导致预测模糊核与真实值误差较大, 最终复原结果不理想。针对此问题提出一种基于改进残差模块的多尺度卷积神经网络模型, 采用端到端模式, 无需估计模糊核。提出了一种基于限制网络输入的改进Wasserstein GAN (WGAN), 增加了一层输入限制层, 能够限定参数初始值, 提高了网络收敛速度。设计了多重损失函数, 融合了基于多尺度网络的感知损失和基于条件式生成对抗网络的对抗损失。实验结果表明: 所提方法在定量和定性评价指标上优于已有的代表性方法, 并且运行速度比相近算法快了4倍。