基于Pytorch的深度学习图像去雾网络DehazeNet及其权重参数优化设计——适合本科毕业设计

简介：
本项目提出了一种基于Pytorch框架的深度学习模型DehazeNet，专注于图像去雾处理，并对模型权重参数进行优化。该研究旨在为本科毕业生提供一个具有挑战性的毕业设计课题，结合理论与实践，深入探讨计算机视觉和深度学习技术在实际问题中的应用。 完成了传统的DehazeNet去雾方法以及对其的小改进（在保持相同去雾效果的前提下大幅减少了权重参数的数量）。资源包括本次设计的所有程序、传统去雾程序及AOD-Net，还包含了PSNR与SSIM等评价指标的计算代码，以便于与其他网络和算法进行比较。附带两篇关键论文，尽管改进后的网络可能存在一些问题，但从总体来看实现了显著的参数优化。 本项目中DehazeNet网络训练的目标是传输透射图（transmission map），因此设计采用的是基于其他已训练好模型生成的数据集作为监督学习的目标文件。由于难以找到专门为此目的准备的公开数据集，我们采用了这种方法来获取所需目标文件。 程序运行顺序如下：首先使用train.py脚本进行网络权重参数的学习；然后通过test.py获得去雾后的图像结果。对于改进版的网络，在训练和测试代码中将myNet替换为新的设计，并且修改了padding操作（从input_test = F.pad(input_test, [7, 8, 7, 8], mode=replicate) 改为了 input_test = F.pad(input_test, [0, 0, 0, 0], mode=replicate)，以适应新的网络结构。