雾化退化过程的深度变分贝叶斯建模

依赖于神经网络的表示能力，最近的大多数工作忽略了雾化退化中涉及的若干因素，例如传输率（光从场景到达观察者的距离上的量）和大气光。这些因素通常是未知的，导致去雾问题病态，产生固有的不确定性。为此，我们引入一种变分贝叶斯框架进行单张图像去雾。我们提出，不仅以干净图像为输入，还将传输图作为潜在变量，其后验分布由相应的神经网络参数化：去雾网络和传输网络。基于雾化退化的物理模型，我们的变分贝叶斯框架导致了一个新的目标函数，鼓励它们之间的合作，从而促进它们的联合训练，提高彼此的性能。在我们的框架中，去雾网络可以在推断时独立于传输图估计来估计干净图像，无需额外计算开销。此外，我们的模型无关框架可以无缝集成到其他现有的去雾网络中，显著提升跨数据集和模型的性能。