[发明专利]图像去雾方法、电子设备、存储介质和计算机程序产品

权利要求书

1.一种图像去雾方法，其特征在于，包括：

获取待去雾的目标雾霾图像；

将所述目标雾霾图像输入至去雾模型，对所述目标雾霾图像进行去雾处理，获得所述去雾模型输出的目标去雾图像，所述去雾模型是基于不成对的清晰图像和雾霾图像构成的训练图像集，对待训练模型进行无监督训练得到的，所述待训练模型包括用于进行加雾转换处理和去雾转换处理的多尺度注意力模块，及用于区分所述训练图像集的真实图像和所述多尺度注意力模块的生成图像的判别器。

2.根据权利要求1所述的图像去雾方法，其特征在于，所述去雾模型通过如下方法训练得到：

获取不成对的清晰图像训练样本和雾霾图像训练样本；

基于所述清晰图像训练样本、所述雾霾图像训练样本和预设损失函数，对搭建后的待训练模型进行模型训练，获得去雾模型，所述待训练模型包括用于进行加雾转换处理和去雾转换处理的多尺度注意力模块，及用于区分真实图像和生成图像的判别器，所述真实图像为所述清晰图像训练样本或所述雾霾图像训练样本，所述生成图像为所述多尺度注意力模块输出的生成图像。

3.根据权利要求2所述的图像去雾方法，其特征在于，所述基于所述清晰图像训练样本、所述雾霾图像训练样本和预设损失函数，对搭建后的待训练模型进行模型训练，获得去雾模型，包括：

基于搭建后的待训练模型的雾霾编码器，对所述雾霾图像训练样本进行特征提取，获得雾霾信息；

基于所述待训练模型的第一多尺度注意力模块和所述雾霾信息，对所述清晰图像训练样本进行加雾转换处理，获得第一加雾图像；

基于所述待训练模型的第一判别器和预设损失函数中的第一对抗损失函数，对所述第一加雾图像进行对抗损失计算，获得雾霾图像对应的第一对抗损失；

基于所述待训练模型的第二多尺度注意力模块，对所述雾霾图像训练样本进行去雾转换处理，获得第一去雾图像；

基于所述待训练模型的第二判别器和所述预设损失函数中的第二对抗损失函数，对所述第一去雾图像进行对抗损失计算，获得清晰图像对应的第二对抗损失；

基于所述第一对抗损失和所述第二对抗损失，对所述待训练模型进行模型训练，获得去雾模型。

4.根据权利要求3所述的图像去雾方法，其特征在于，所述基于搭建后的待训练模型的雾霾编码器，对所述雾霾图像训练样本进行特征提取，获得雾霾信息，包括：

基于所述雾霾编码器的第一卷积单元，对所述雾霾图像训练样本进行卷积操作，获得第一特征图；

基于所述雾霾编码器的第二卷积单元，对所述第一特征图进行特征提取获得第二特征图，并基于所述雾霾编码器的第三卷积单元，对所述第一特征图进行特征提取获得第三特征图，所述第二特征图和所述第三特征图的分辨率大小不同；

基于所述雾霾编码器的第四卷积单元，对所述第二特征图进行特征提取获得第四特征图，并基于所述雾霾编码器的第五卷积单元，对所述第三特征图进行特征提取获得第五特征图；

将所述第三特征图和所述第五特征图进行相加，获得雾霾信息。

5.根据权利要求3所述的图像去雾方法，其特征在于，所述基于所述待训练模型的第一多尺度注意力模块和所述雾霾信息，对所述清晰图像训练样本进行加雾转换处理，获得第一加雾图像，包括：

基于所述第一多尺度注意力模块的第一内容编码器，对所述清晰图像训练样本进行编码，获得清晰图像内容特征；

将所述清晰图像内容特征和所述雾霾信息输入至所述第一多尺度注意力模块的第一生成器，进行加雾转换处理，获得所述第一生成器输出的第一加雾图像；

其中，所述基于所述待训练模型的第二多尺度注意力模块，对所述雾霾图像训练样本进行去雾转换处理，获得第一去雾图像，包括：

基于所述第二多尺度注意力模块的第二内容编码器，对所述雾霾图像训练样本进行编码，获得雾霾图像内容特征；

将所述雾霾图像内容特征输入至所述第二多尺度注意力模块的第二生成器，进行去雾转换处理，获得所述第二生成器输出的第一去雾图像。

6.根据权利要求2所述的图像去雾方法，其特征在于，所述待训练模型的损失函数包括对抗性损失、内容对抗损失、循环一致性损失、暗通道损失、恒等映射损失、重建损失和语义一致损失。