（端到端多尺度去雾算法）FAMED-Net: A Fast and Accurate Multi-scale End-to-end Dehazing Network

项目地址：https://github.com/chaimi2013/FAMED-Net

论文地址： https://arxiv.org/pdf/1906.04334.pdf

摘要

        单张图去雾是一个至关重要的步骤对于随后的高水平计算视觉任务。然而，它存在挑战由于它的不适应姿态性质。存在的去雾模型趋向困难由于模型复杂以及计算效率低，或者存在限制展示容量。为了克服这些挑战，在这里我们提出了一个快递和精确的多尺度端到端去雾网络叫做FAMED-Net，它包含编码在3个尺度和一个融合模式来有效和直接学习任意雾图像。每个编码组成级联和稠密连接点式卷积层和池化层。因为没有较大的卷积核被用和特征被使用逐层，FRAME-Net是轻型权重和计算高效。通过经验研究在公开一致的数据集（包括RESIDE）以及真实的雾图像表明这个优势在FAMED-Net超过其它的先进的模型，对比模型复杂度，计算效率，恢复精度，交叉集形成。

端到端点式CNN

 

FAMED-Net系统框架

神经网络模型

与其它模型在参数、大小、速度进行比较