API：通过自适应补丁重要性学习实现通用真实图像去雾
计算机视觉与模式识别
2026-01-06 v1
摘要
真实世界图像去雾是低层视觉中的一个基本且具有挑战性的任务。现有的基于学习的方法在应用于复杂的真实世界雾霾场景时常常出现显著的性能下降，主要由于训练数据的有限性以及雾密度分布的内在复杂性。为了应对这些挑战，我们引入了一种名为自适应补丁重要性感知 (API) 的新型框架，用于通用真实世界图像去雾。具体而言，我们的框架包含一个自动雾生成 (AHG) 模块和一个密度感知雾 Removal (DHR) 模块。AHG 通过生成真实且多样化的雾化图像作为额外的高质量训练数据，提供一种混合数据增强策略。DHR 以自适应的补丁重要性方式考虑具有不同雾密度分布的雾化区域，以实现对真实世界图像去雾的通用性。为缓解去雾图像细节的歧义，我们进一步引入了一种新的多负面对比去雾 (MNCD) 损失，该损失充分利用来自空间和频率域多个负面样本的信息。广泛的实验表明，我们的框架在多个真实世界基准测试上实现了最先进的性能，在定量指标和定性视觉质量方面均表现出色，同时在 diverse 的雾分布下表现出稳健的泛化能力。
引用
@article{arxiv.2601.01992,
title = {API: Empowering Generalizable Real-World Image Dehazing via Adaptive Patch Importance Learning},
author = {Chen Zhu and Huiwen Zhang and Yujie Li and Mu He and Xiaotian Qiao},
journal= {arXiv preprint arXiv:2601.01992},
year = {2026}
}