深度无关的单图像去雾

单图像去雾是一个具有挑战性的病态问题。用于训练基于深度学习方法的现有数据集可以通过手工或合成方案生成。然而，前者通常规模较小，而后者迫使模型学习场景深度而非雾分布，从而降低了其去雾能力。为了克服这个问题，我们提出了一种简单而新颖的合成方法，以解耦雾密度和场景深度之间的关系，由此生成了一个深度无关的数据集（DA-HAZE）。同时，提出了全局洗牌策略（GSS）用于生成不同尺度的数据集，从而增强模型的泛化能力。大量实验表明，在DA-HAZE上训练的模型在真实世界基准测试中取得了显著改进，并且SOTS和DA-SOTS（DA-HAZE的测试集）之间的差异更小。此外，由于缺乏深度先验，深度无关去雾是一项更复杂的任务。因此，需要一种具有更强特征建模能力和更低计算成本的高效架构。我们重新审视了用于去雾的基于U-Net的架构，其中包含了专门设计的模块。然而，模块的性能受到有限特征融合方法的限制。为此，我们提出了卷积跳跃连接（CSC）模块，使得普通的特征融合方法能够以最小的成本获得有希望的结果。大量实验结果表明，无论雾分布是否与场景深度相关，配备CSC的当前最先进方法都能实现更好的性能和合理的计算开销。