1. 项目背景与核心目标光学遥感图像在气象观测、环境监测等领域发挥着重要作用但雾霾天气会导致图像质量严重下降。传统去雾方法如直方图均衡化、暗通道先验等存在细节丢失和颜色失真问题。本项目采用生成对抗网络(GAN)技术结合U-Net架构和自注意力机制构建端到端的遥感图像去雾系统。这个毕设项目的创新点在于采用条件GAN架构将U-Net作为生成器引入自注意力机制增强特征提取能力结合多种损失函数进行多目标优化使用Gradio构建可视化交互界面2. 技术方案设计2.1 网络架构选择我们采用基于U-Net的条件GAN架构主要考虑以下因素生成器选择U-Net的原因编码器-解码器结构适合图像到图像的转换任务跳跃连接能保留低频信息在医学图像分割等任务中已有成功应用判别器采用PatchGAN关注局部图像块的真实性计算效率高能生成更清晰的细节自注意力机制的引入增强模型对长距离依赖关系的建模能力特别适合处理大尺寸遥感图像能更好捕捉雾霾的全局分布特征2.2 损失函数设计我们组合使用四种损失函数对抗损失(Ladv)# 生成器损失 g_loss torch.mean((D(fake_images) - 1)**2) # 判别器损失 real_loss torch.mean((D(real_images) - 1)**2) fake_loss torch.mean(D(fake_images)**2) d_loss (real_loss fake_loss) / 2像素级L1损失(L1)l1_loss nn.L1Loss()(fake_images, gt_images)感知损失(Lper)# 使用预训练VGG提取特征 vgg models.vgg16(pretrainedTrue).features[:16] percep_loss nn.MSELoss()(vgg(fake_images), vgg(gt_images))掩码加权损失(Lmask)mask_loss torch.mean(mask * (fake_images - gt_images)**2)总损失函数total_loss λ1*Ladv λ2*L1 λ3*Lper λ4*Lmask2.3 数据预处理流程数据收集使用RESIDE-β数据集包含5000对有雾/无雾遥感图像图像分辨率1024×1024预处理步骤transform transforms.Compose([ transforms.Resize(256), transforms.RandomCrop(256), transforms.RandomHorizontalFlip(), transforms.ToTensor(), transforms.Normalize(mean[0.5, 0.5, 0.5], std[0.5, 0.5, 0.5]) ])数据增强随机裁剪水平翻转亮度调整(±10%)对比度调整(±10%)3. 模型训练细节3.1 训练参数设置参数值说明Batch Size16平衡显存占用和训练稳定性Epochs200足够使模型收敛初始学习率0.0002使用Adam优化器的推荐值β10.5Adam参数β20.999Adam参数λ1(对抗损失)1.0平衡各项损失λ2(L1损失)100.0强调像素级相似度λ3(感知损失)10.0强调特征相似度λ4(掩码损失)50.0强调雾区处理3.2 训练技巧学习率调度scheduler torch.optim.lr_scheduler.CosineAnnealingLR( optimizer, T_max200, eta_min1e-6)梯度惩罚# WGAN-GP中的梯度惩罚项 alpha torch.rand(batch_size, 1, 1, 1) interpolates alpha * real_data (1 - alpha) * fake_data gradients torch.autograd.grad( outputsD(interpolates), inputsinterpolates, grad_outputstorch.ones_like(D(interpolates)), create_graphTrue )[0] gradient_penalty ((gradients.norm(2, dim1) - 1) ** 2).mean()模型保存策略每10个epoch保存一次检查点保留验证集PSNR最高的模型使用早停策略(patience30)4. 系统实现与部署4.1 技术栈选择组件技术选型理由深度学习框架PyTorch研究友好动态图机制可视化界面Gradio快速构建演示系统后端服务FastAPI轻量级API框架前端展示HTML5兼容性好4.2 Gradio界面设计核心界面代码import gradio as gr def denoise_image(input_img): # 预处理 img_tensor transform(input_img).unsqueeze(0) # 推理 with torch.no_grad(): output model(img_tensor) # 后处理 output_img tensor2img(output[0]) return output_img interface gr.Interface( fndenoise_image, inputsgr.Image(typepil), outputsgr.Image(typepil), title遥感图像去雾系统, description上传有雾遥感图像获取去雾结果 )界面功能图像上传区域(支持拖拽)处理进度显示结果对比视图(滑动条)参数调整面板(高级选项)结果下载按钮4.3 性能优化技巧模型量化quantized_model torch.quantization.quantize_dynamic( model, {torch.nn.Conv2d}, dtypetorch.qint8)ONNX导出torch.onnx.export(model, dummy_input, model.onnx, opset_version11)TensorRT加速trtexec --onnxmodel.onnx --saveEnginemodel.engine5. 效果评估与分析5.1 定量指标对比在测试集(1000张图像)上的结果方法PSNR↑SSIM↑FID↓推理时间(s)DCP18.20.7665.30.8DehazeNet21.50.8248.71.2AOD-Net22.10.8442.11.5Ours24.30.8832.51.85.2 可视化结果分析典型样本对比薄雾场景传统方法容易过度增强本方法自然保持色彩平衡浓雾场景传统方法去雾不彻底本方法有效恢复远景细节非均匀雾传统方法处理不一致本方法自适应去雾效果5.3 局限性讨论极端天气条件暴雨/沙尘暴效果欠佳需要针对性训练数据计算资源需求高分辨率图像显存占用大实时性有待提升领域适应问题城市/自然场景差异需要领域自适应技术6. 毕设答辩准备建议6.1 技术亮点提炼创新点表述我们提出了基于注意力机制的改进U-Net生成器设计了多任务损失函数平衡各项指标实现了端到端的轻量级部署方案对比实验设计与传统方法对比与最新深度学习方案对比消融实验(验证各模块贡献)6.2 演示技巧现场演示准备准备典型样本(不同雾浓度)备份本地模型权重测试投影设备兼容性问题应对策略技术原理类准备公式推导应用场景类准备案例说明局限性类诚实回答改进方向6.3 常见问题预判模型泛化能力如何验证跨数据集测试结果真实场景采集样本与其他SOTA方法相比的优势指标对比表格可视化效果对比实际应用中的计算成本不同硬件推理时间量化压缩后的指标变化7. 项目扩展方向多模态融合结合红外遥感数据引入高程信息视频去雾时序一致性保持光流引导边缘计算部署模型轻量化NPU加速交互式编辑雾浓度调节局部增强在实际开发过程中我们发现数据质量对最终效果影响极大。建议优先收集高质量的配对数据集必要时可以借助物理模型生成合成数据。另外GAN训练稳定性需要特别关注建议采用WGAN-GP等改进方法并仔细调整学习率和损失权重。