[发明专利]基于双判别器与改进损失函数的对抗网络图像去雾方法

权利要求书

1.基于双判别器与改进损失函数的对抗网络图像去雾方法，其特征在于：

包括以下步骤：

(1)训练阶段：将不成对的有雾图像和无雾清晰图像分成两组，分别对应于域domain_A和域domain_B，对基于双判别器与改进损失函数的循环生成网络进行训练，在训练过程中，判别器D致力于将真实图像I_real与生成器G生成的图像I_fake分离开来，而生成器G则以其生成的图像I_fake能成功欺骗判别器D为目标，在这个对抗过程中，判别器D与生成器G不断进化，当判别器D无法分辨输入图像是来自生成器G还是真实图像时，即达到纳什均衡，完成训练；

(2)预测阶段：在网络训练完成之后，将所有待去雾的图像划分为domain_A，任选一张或几张清晰图像作为domain_B输入给循环生成对抗网络，可实现domain_A与domain_B两个域的相互转化，即完成有雾图像的去雾任务。

2.根据权利要求1所述的基于双判别器与改进损失函数的对抗网络图像去雾方法，其特征在于：所述步骤(1)中基于双判别器与改进损失函数的循环生成对抗网络具体含义如下：

基于双判别器与改进损失函数的循环生成对抗网络结构改进主要包含三个方面，首先，在生成器中引入两层由Inception网络组成的细节生成模块Detail GenerationModule，DGM，以生成包含更加准确和逼真细节的图像，其次，引入双判别器D1和D2结构，判别器D1网络结构较为简单，负责对生成器生成的图片I_fake的底层特征进行判别，D2网络结构较为复杂，负责对生成器生成的图片I_fake的高层特征进行判别，当生成器G生成的图片成功同时地欺骗过判别器D1和D2时，训练结束，最后，为了针对去雾任务完成针对性优化，将暗通道先验理论Dark Channel Prior引入生成器的损失函数中，提升去雾效果，将图像梯度损失L_gardient加入到生成器的损失函数中，提升生成图像的细节信息。

3.根据权利要求1所述基于双判别器与改进损失函数的对抗网络图像去雾方法，其特征在于：所述步骤(1)的具体训练过程为：

将有雾的图像作为域domain_A，无雾清晰图像作为域domain_B，输入给改进的循环生成对抗网络，在网络中，基于细节生成模块DGM的生成器利用暗通道损失函数L_{dark_channel}，提升去雾效果，利用图像梯度损失L_gardient提升生成器生成图片的细节信息，进而生成由domain_A向domain_B方向和domain_B向domain_A方向的两幅图像，并将这两幅图像与其目标域真实图像一并输入给双判别器D1和D2，判别器D1将针对图片的底层特征对图像的来源做出判断，判别器D2将针对图片的高层特征对图像的来源做出判断，判别器D1和D2致力于将真实图像I_real与生成器G生成的图像I_fake分离开来，而生成器G则期望能够利用生成的图像I_fake欺骗判别器D1和D2，以此判别器和生成器实现对抗训练，不断优化自身的参数，当判别器无法区分出当前图像是来自生成器还是真实图像时，即达到纳什平衡，网络完成训练。

4.根据权利要求1所述基于双判别器与改进损失函数的对抗网络图像去雾方法，其特征在于：所述步骤(2)的具体操作方法如下：

在所述的基于双判别器与改进损失函数的循环生成对抗网络训练完成之后，将所有的待去雾图像作为域domain_A，任意一张或几张清晰无雾图像作为域domain_B，将两个域的图像输入到训练好的网络后，即可实现由域domain_A向域domain_B转换，即有雾图像向无雾清晰图像转化，亦可实现域domain_B向域domain_A转化，即实现清晰图像向有雾图像的转化。