用于无监督图像去雾的等变学习
计算机视觉与模式识别
2026-01-21 v1 图像与视频处理
摘要
图像去雾（ID）旨在从受雾霾污染的观测中生成清晰图像。当前的 ID 方法通常依赖于精心设计的先验或大量无雾真值，这两者在科学成像背景下尤其昂贵或不切实际。我们提出了一种新的无监督学习框架，称为等变图像去雾（EID），它利用图像信号的对称性来恢复雾霾观测的清晰度。通过强制雾霾一致性和系统等变性，EID 可以直接从原始的雾霾图像中恢复清晰模式。此外，我们提出了一种对抗性学习策略来建模未知的雾霾物理过程并促进 EID 学习。在两个科学图像去雾基准（包括细胞显微镜和医学内窥镜）以及自然图像去雾上的实验表明，EID 显著优于最先进的方法。通过将等变学习与雾霾物理建模相结合，我们希望 EID 能够在科学成像中实现更通用、更有效的雾霾去除。代码和数据集将公开。
引用
@article{arxiv.2601.13986,
title = {Equivariant Learning for Unsupervised Image Dehazing},
author = {Zhang Wen and Jiangwei Xie and Dongdong Chen},
journal= {arXiv preprint arXiv:2601.13986},
year = {2026}
}
备注
Technical report