利用扩散先验进行无配对训练的真实图像去雾
计算机视觉与模式识别
2025-03-20 v1
摘要
无配对训练已被证明是从无配对的真实稠密和清晰图像中学习真实场景去雾的最有效范式之一。尽管已提出了许多方法，但当前方法由于特征表示有限和未充分利用真实世界先验而在各种真实场景上表现有限。鼓舞人心的是，扩散模型在生成稠密和清晰图像方面具有强大的生成能力，我们利用扩散先验进行真实图像去雾，并提出一种称为Diff-Dehazer的无配对框架。具体地，我们将扩散先验作为单射映射学习器嵌入经典的CycleGAN框架中。鉴于物理先验包含真实世界数据的关键统计信息，我们进一步挖掘了物理先验以整合到我们的框架中。此外，我们提出一种新颖的视角来充分利用扩散模型的表示能力，通过去除图像和文本模态中的退化，从而提高去雾效果。在多个真实世界数据集上进行了广泛实验，证明了我们方法的卓越性能。我们的代码 https://github.com/ywxjm/Diff-Dehazer。
引用
@article{arxiv.2503.15017,
title = {Exploiting Diffusion Prior for Real-World Image Dehazing with Unpaired Training},
author = {Yunwei Lan and Zhigao Cui and Chang Liu and Jialun Peng and Nian Wang and Xin Luo and Dong Liu},
journal= {arXiv preprint arXiv:2503.15017},
year = {2025}
}
备注
Accepted by AAAI2025