面向图像去雾的双阶段全局与局部特征框架
计算机视觉与模式识别
2025-09-03 v1
摘要
消除数字图像中大气雾霾的挑战——即图像去雾——近期在计算机视觉领域获得了广泛关注。尽管当代去雾模型已展现出有前景的性能，但鲜有人深入探讨高分辨率图像。在此情境下，实践者往往采用下采样输入图像或处理较小的图像块，导致显著的性能下降。这种下降主要源于在空间分辨率提升时，难以有效地将全局上下文信息与局部、精细细节相结合。为此，我们提出了一种新框架，称为 Streamlined Global and Local Features Combinator（SGLC），以弥合这一差距，使高分辨率输入的去雾工作得以稳健实现。本方法由两个主要组成部分构成：全局特征生成器（GFG）和局部特征增强器（LFE）。GFG 专注于对场景进行宽泛的上下文理解，生成初始去雾输出；随后，LFE 通过增强局部细节和像素级特征，捕捉全局外观与局部结构之间的相互作用，以细化初步输出。为评估 SGLC 的效能，我们将其集成到 Uformer 架构中，后者是最新尖端的去雾模型。在高分辨率数据集上的实验结果显示，采用 SGLC 可显著提升峰值信噪比（PSNR），表明其在处理大规模图像中的潑雾具有强大的威力。此外，SGLC 设计与模型无关，允许任何去雾网络都能与所提出的全局与局部特征融合机制相补充。通过此策略，实践者可同时利用场景级线索和细粒度细节，显著提升高分辨率环境下的视觉保真度。
引用
@article{arxiv.2509.00108,
title = {Dual-Stage Global and Local Feature Framework for Image Dehazing},
author = {Anas M. Ali and Anis Koubaa and Bilel Benjdira},
journal= {arXiv preprint arXiv:2509.00108},
year = {2025}
}