去雾Cycle-GAN损失函数

G和F都是生成器
G是hazy $\to$ gt
F是gt $\to$ hazy
$D_y$判别无雾图是真实还是生成的？
$D_x$判别有雾图是真实还是生成的？

GAN-Loss

在 DAM-CCGAN 中存在两个判别器$D_x$和$D_y$，
其中

• $D_x$区分有雾图像和生成器生成的有雾图像，
• $D_y$区分无雾图像和生成的无雾图像
• $D_y$的目标是将生成器G生成的无雾图 Fake_B 与 ground truth 区分开，
  生成器G的目标则是让生成的无雾图 Fake_B 无限趋近于 ground truth，在相互博弈中，提升生成器G和鉴别器$D_y$的性能，类似的，生成器F和鉴别器$D_x$的性能也得到提升

真实有雾图输入到G之后，输出fake-B，交给$D_y$判断是真实无雾图还是生成的无雾图，这里产生损失，叫做GAN-Loss

Identity-Loss

为了保持输入图像和输出图像色调一致，增加了 Identity Loss 来提升生成器
的性能，训练生成器的效果.

雾图hazy输入到F之后，也要保证生成雾图结果和原雾图尽可能相似，（因为F负责生成hazy）

清晰图片gt输入到G之后，要保证清晰结果和gt一致（因为G负责生成清晰图像）

DP-loss

这是细节感知损失
为了恢复更多的图像纹理细节信息，增加了细节感知损失函数 Detail
Perception Loss 来弥补图像的细节信息，使得图像语义上更加接近目标图像

Cycle-Loss

循环一致性损失 Cycle_Loss 是逐像素的比较经过两次映射后的图像与原图
像之间的像素级误差。建立循环一致性损失函数，来最小化雾图$x_i$与其重建的雾图$F(G(x_i))$之间的差异，及最小化清晰图像$y_i$与其重建的清晰图像$G(F(y_i))$之间的差异