基于 CLIP 引导的数据增强用于夜间图像去雾
计算机视觉与模式识别
2026-04-28 v2
摘要
夜间图像去雾面临比其白天版本更复杂的退化模式，因为雾霾散射与低照明、非均匀照明和强光干扰耦合。受限监督下，这种复杂性加剧了域漂移和训练不稳定性，因为目标域样本稀缺，而盲目引入外部数据可能因分布不匹配而削弱适应性。本文提出了解决 NTIRE 2026 夜间图像去雾挑战的方案，构建为一个统一框架，集成域对齐的数据构建、阶段性训练和推理时增强。具体而言，预训练的 CLIP 视觉编码器筛选候选外部样本的相似度，以构建更接近目标域的训练数据。然后，在两个阶段训练 NAFNet：首先适应目标域，然后扩展到更广泛的退化模式。在推理阶段，结合 TLC、x8 self-ensemble 和加权快照融合，以提高输出稳定性。该框架不依赖复杂网络重新设计，提供了一个实用且有效的夜间图像去雾管线。
引用
@article{arxiv.2604.05500,
title = {CLIP-Guided Data Augmentation for Night-Time Image Dehazing},
author = {Xining Ge and Weijun Yuan and Gengjia Chang and Xuyang Li and Shuhong Liu},
journal= {arXiv preprint arXiv:2604.05500},
year = {2026}
}