Look-up in Google Scholar
Title: Unsupervised Deep-Learning Method for Haze Removal Without Paired Images
Other Titles: Método Não Supervisionado de Aprendizado de Máquina Profundo para Remoção de Neblina Sem Imagens Emparelhadas; Método de aprendizaje profundo no supervisado para eliminar la neblina sin imágenes pareadas
Advisor(s): Pedrini, Hélio
OCDE field: https://purl.org/pe-repo/ocde/ford#1.02.01
Issue Date: 2024
Institution: Universidade Estadual de Campinas
Abstract: In this study, we address a fundamental and still relatively less explored aspect in the field of neural networks for image dehazing: the unsupervised dehazing of an image. By conceiving a hazy image as the superposition of several "simpler" layers, such as a haze-free image layer, a transmission map layer, and an atmospheric light layer, inspired by the atmospheric scattering model, we propose an approach based on the concept of layer disentangling. Our method, called XYZ, represents a substantial improvement in image quality metrics, such as SSIM and PSNR as well as BRISQUE, PIQE and NIQE. This advancement is achieved through the strategic combination of the XHOT, YOLY and ZID methods, capitalizing on the individual strengths of each. A distinctive and valuable aspect of the XYZ approach is its unsupervised nature, which implies that it does not rely on data sets containing pairs of clear and hazy images for training. This contrasts with the traditional deep training paradigm, marking an innovation in the field of dehazing. Furthermore, we highlight two fundamental benefits of the proposed XYZ approach. Firstly, being unsupervised, it frees the process from the need to use exhaustive datasets that include clear and hazy images as a fundamental reference. Secondly, we approach the haze issue from a multi-layered perspective, recognizing and unraveling the complexities inherent to this atmospheric phenomenon. This layered approach allows for a more accurate and detailed representation of the scene, thereby improving the quality of haze-free images. Experimental results obtained for the RESIDE dataset are compared with other methods from the literature.

En este estudio, abordamos un paradigma de aprendizaje fundamental y aun relativamente poco explorado en el campo de las redes neuronales: eliminación de neblina no supervisado de una imagen. Al concebir una imagen con neblina como la superposición de varias capas “más simples” inspiradas en el modelo de dispersión atmosférica, proponemos un enfoque basado en el concepto de desenmarañamiento de capas. Nuestro método, llamado XYZ, representa una mejora sustancial en las métricas de calidad de imagen, como SSIM y PSNR, así como BRISQUE, PIQE y NIQE. Este avance se logra mediante la combinación estratégica de los métodos XHOT, YOLY y ZID, aprovechando las fortalezas individuales de cada uno. Un aspecto distintivo y valioso del enfoque XYZ es su naturaleza no supervisada, lo que implica que no se basa en conjuntos de datos que contengan pares de imágenes claras y con neblina para el entrenamiento. Destacamos dos beneficios fundamentales del enfoque XYZ propuesto. En primer lugar, al no estar supervisado, libera la necesidad de utilizar conjuntos de datos que incluyan imágenes claras y con neblina como referencia. En segundo lugar, abordamos el tema de la neblina desde una perspectiva de múltiples capas, reconociendo y desentrañando las complejidades inherentes a este fenómeno atmosférico. Este enfoque en capas permite una representación más precisa y detallada de la escena, mejorando así la calidad de las imágenes sin neblina.
Discipline: Ciencia de la Computación
Grade or title grantor: Universidade Estadual de Campinas. Instituto de Computação
Grade or title: Maestro en Ciencia de la Computación
Juror: Pedrini, Hélio; Beltrán Castañón, César Armando; De Almeida Maia, Helena
Register date: 31-Jul-2024

Files in This Item:
File Description SizeFormat 
MaldonadoQuispeP.pdfDisertación1.35 MBAdobe PDFView/Open
Autorizacion.pdf
  Restricted Access
Autorización del registro588.49 kBAdobe PDFView/Open Request a copy


This item is licensed under a Creative Commons License Creative Commons