# Dust_GAN **Repository Path**: xxx911xxx/dust_gan ## Basic Information - **Project Name**: Dust_GAN - **Description**: 图像去粉尘/去雾 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 1 - **Forks**: 1 - **Created**: 2024-03-02 - **Last Updated**: 2024-04-09 ## Categories & Tags **Categories**: Uncategorized **Tags**: 深度学习, GAN, PyTorch ## README # Dust_GAN #### 介绍 图像去粉尘/去雾 #### 项目说明 首先根据实际场景自建数据集,该数据集共有2000+对清晰图像和粉尘图像的对应图像对,然后搭建条件生成对抗网络模型使用数据集进行训练和添加CBAM注意力机制进行模型优化。实验结果可以看出,此次试验得到的图像处理模型比传统图像处理模型更为适用于复杂的低照度环境中,实现了较好的低照度粉尘图像增强效果。 #### 模型结构 1. 第一部分使用了条件生成对抗网络模型,目的是解决图像亮度提升有限问题和进行图像去粉尘处理。利用该模型的生成器对图像进行去粉尘和亮度恢复处理,全局-局部判别器改善图像局部区域的亮度,避免过曝及阴影现象,从而得到一个低照度粉尘图像增强的条件生成对抗网络模型。 2. 第二部分使用了注意力机制CBAM对上述条件生成对抗网络模型进行优化,利用注意力机制增强模型生成器的特征提取,使得模型在对粉尘的低照度图像进行增强处理的同时增强了局部细节信息的把控,使得生成图像更为接近真实图像。 ![输入图片说明](%E4%B8%9A%E5%8A%A1%E6%B5%81%E7%A8%8B%20(3).png) #### 图像对比(从左往右依次为:原始粉尘图像、基础生成对抗网络模型去粉尘图像、全局-局部判别器的条件生成对抗网络模型的去粉尘图像,全局-局部判别器模型添加CBAM后的模型去粉尘图像和原始清晰图像) ![输入图片说明](%E6%94%B9%E8%BF%9B1.jpg) ![输入图片说明](%E6%94%B9%E8%BF%9B2.jpg) #### 特技 1. 使用 Readme\_XXX.md 来支持不同的语言,例如 Readme\_en.md, Readme\_zh.md 2. Gitee 官方博客 [blog.gitee.com](https://blog.gitee.com) 3. 你可以 [https://gitee.com/explore](https://gitee.com/explore) 这个地址来了解 Gitee 上的优秀开源项目 4. [GVP](https://gitee.com/gvp) 全称是 Gitee 最有价值开源项目,是综合评定出的优秀开源项目 5. Gitee 官方提供的使用手册 [https://gitee.com/help](https://gitee.com/help) 6. Gitee 封面人物是一档用来展示 Gitee 会员风采的栏目 [https://gitee.com/gitee-stars/](https://gitee.com/gitee-stars/)