З глибини душі
Лежачи в напівдрімі після сну, Соломія милувалася ліжком, ніби плила десь між сном і явою. Очі ще не розплющила, але вже думала:
Як же добре, сьогодні вихідний. Можна відпочити, зайнятися своїм. Не треба нікуди поспішати, вислуховувати на прийомі скарги хворих клієнтів, а іноді й зовсім не хворих.
Глянула на годинник спала довго, але вставати все одно не хотілося. Та раптом задзвенів телефон. Повідомлення. Від Ярослава: «Запрошую на рибалку, у тебе ж вихідний. Виїжджаємо за годину. Погоджуйся, благаю!»
Соломія посміхнулась, уявивши Ярослава з вудкою. Ще в шкільні роки він часто ходив на річку. У десятому класі вони цілі дні пропадали біля води, а Ярослав завжди ловив рибу. Потім варили юшку на вогнищі звісно, він, бо вона не вміла. І здава# Pytorch Implementation of AOD-Net
PyTorch implementation of the AOD-Net model described in the paper [«An All-in-One Network for Dehazing and Beyond»](https://arxiv.org/abs/1707.06543).
## Model
The AOD-Net is a lightweight CNN that performs image dehazing. It was originally proposed to handle hazy images, but can be used as a general image enhancement model.
### Architecture
The model consists of:
— 5 convolutional layers
— Skip connections between early and later layers
— The model outputs a clean image by estimating the transmission map and atmospheric light jointly.
## Datasets
The model was trained on:
### RESIDE Dataset
The [RESIDE](https://sites.google.com/view/reside-dehaze-datasets/reside-standard) dataset contains synthetic and real-world hazy images. We use the Indoor Training Set (ITS) which has 13,990 clean and hazy image pairs.
## Training
The model was trained with:
— 200 epochs
— Batch size of 16
— Adam optimizer with learning rate 0.001
— L1 loss between output and ground truth images
## Results
The model achieves:
— PSNR: 19.82
— SSIM: 0.81
on the RESIDE test set (SOTS).
## Usage
To use the pre-trained model:
«`python
from model import AODNet
model = AODNet()
model.load_state_dict(torch.load(‘aod_net.pth’))
«`
To process an image:
«`python
output = model(hazy_image)
«`
## References
— [Original Paper](https://arxiv.org/abs/1707.06543)
— [RESIDE Dataset](https://sites.google.com/view/reside-dehaze-datasets/reside-standard)
