基于条件生成对抗网络与知识蒸馏的单幅图像去雾方法

【摘要】：生成对抗网络广泛应用于图像去雾领域，但通常需要较大的计算量和存储空间，从而限制了其在移动设备上的应用。针对该问题，提出一种基于条件生成对抗网络与知识蒸馏的去雾方法 KD-GAN。将频率信息作为去雾的附加约束条件，通过傅里叶变换、拉普拉斯算子、高斯滤波器分别滤除原始图像的高频或低频信息，生成对应的高频和低频图像，并将融合得到的图像作为判别器的输入，以改进雾天图像的去雾效果。在此基础上，将原重型教师网络的知识迁移到具有较少权值参数的轻量型学生网络生成器中，并对轻量型学生网络进行训练，使其以更快的收敛速度达到与教师网络相近的去雾性能。在OTS和HSTS数据集上的实验结果验证了该方法的有效性，在学生网络的参数规模仅为教师网络1/2的条件下，学生网络在迭代第3×10~4次时，生成器输出图像的峰值信噪比和结构相似性已接近于教师网络迭代第5×10~4次时的数值，训练速度加快了约1.67倍。