学位论文简介
近年来，基于深度学习的去雾模型被广泛研究，这些模型通常需要成对的有雾图像及其清晰参考图像作为训练数据。在真实世界中，收集成对的雾天图像及其对应的清晰参考图像耗时耗力，通常需要数月或者数年的成本收集、清理，使得收集大规模数据集具有非常大的挑战，甚至几乎不可能。因此，通常利用人工合成数据集进行深度去雾模型的训练。然而，由于现有的合成雾图像存在缺乏深度感知、多样性不足等问题，与真实雾图像差别较大，导致深度去雾模型的鲁棒性不足。另外，现有的去雾图像评价方法由于忽略了真实雾天图像中雾密度分布与场景深度相关的规律，没有考虑局部区域的差异对图像质量评价的影响程度的不同，造成去雾图像评价结果与人类视觉感知相差较大。本文从分析现有的图像去雾不足入手，基于真实雾天图像分布与场景深度相关的事实，围绕雾天图像的生成、真实雾图像数据集构建、深度图像去雾及其客观质量评价展开深入研究。具体地，主要的研究成果如下：
(1)
提出了一种基于生成对抗网络的雾天图像生成模型，用于生成更加真实的有雾图像。通过实验进行了验证，对生成的合成雾天图像进行了主观和客观的比较。
(2)
提出了一种基于自监督学习的图像去雾框架。与近期的去雾算法进行了实验比较，并讨论了所提的自监督框架成为通用去雾框架的可能性。
(3)
构建了一个用于图像去雾质量评估的真实雾图像数据集，通过实验对所构建的数据集进行了全面评价。
(4)
提出了一种基于迁移学习的图像去雾质量评价模型，用于缓解训练数据集不足的问题。其次，根据真实雾天雾图像的雾分布非均匀性，提出了一个基于雾注意力的模块。
(5)
提出了一种基于深度学习的图像去雾操作被动检测方法，通过实验证实所提方法对检测去雾图像操作具有良好的泛化性能。
主要学术成果
[1] Chen J , Yang G, Xia M, et al. From depth-aware haze generation to real-world haze removal[J]. Neural Computing and Applications, 2022: 1-13 . （ CCF-C 类期刊，第一作者）
[2] Chen J , Yang G, Xia M, et al. HDNet: A dual-stream network with progressive fusion for image hazing detection[J]. Journal of Information Security and Applications, 2022, 69: 103271. （ CCF-C 类期刊，第一作者）
[3] Chen J , Yang G, Ding X, et al. Robust detection of dehazed images via dual-stream CNNs with adaptive feature fusion[J]. Computer Vision and Image Understanding, 2022, 217: 103357. （ CCF-B 类期刊，第一作者 )
[4] Chen J , Wang S, Liu X, et al. RW-HAZE: A Real-World Benchmark Dataset to Evaluate Quantitatively Dehazing Algorithms[C]//2022 IEEE International Conference on Image Processing (ICIP). IEEE, 2022: 11-15 . （ CCF-C 类期刊，第一作者 )
[5] Chen J , Yang G, Zhao H, et al. Audio style transfer using shallow convolutional networks and random filters[J]. Multimedia Tools and Applications, 2020, 79: 15043-15057. （ CCF-C 类期刊，第一作者 )
