具有空间-频率感知与真实亮度约束的半监督夜间去雾基线

基于深度学习的现有研究已广泛探索了白天图像去雾问题。然而，很少有研究考虑夜间有雾场景的特性。夜间与白天雾霾存在两个区别。首先，夜间场景中可能存在多个活跃的彩色光源，照明强度较低，这可能导致雾霾、辉光和噪声具有局部化、耦合及频率不一致的特征。其次，由于模拟数据与真实世界数据之间的域差异，将在模拟数据上训练的去雾模型应用于真实数据时，可能出现不真实的亮度。为解决上述两个问题，我们提出一个用于真实世界夜间去雾的半监督模型。首先，实施空间注意力和频谱滤波作为空间-频率域信息交互模块，以处理第一个问题。其次，为半监督训练过程设计了一种基于伪标签的再训练策略和基于局部窗口的亮度损失，以抑制雾霾和辉光，同时实现真实亮度。在公开基准上的实验验证了所提方法的有效性及其相较于最先进方法的优越性。源代码和补充材料见 https://github.com/Xiaofeng-life/SFSNiD。