基于频域的无配对图像去雾扩散模型

无配对图像去雾因其在模型训练期间灵活的数据需求而受到日益关注。基于对比学习的主导方法不仅引入与雾霾无关的内容信息，还忽略了频域中雾霾特定属性（即，雾霾相关的退化主要表现为振幅谱）。为解决这些问题，我们提出了一种新颖的频域基于扩散模型，称为 \ours，充分利用无配对清晰数据中的有益知识。具体而言，灵感来自扩散模型（DMs）显示出的强大的生成能力，我们从频域重建的角度来处理去雾任务，对DMs进行处理，以使振幅谱与清晰图像的分布一致。为实现这一点，我们提出了一种振幅残差编码器（ARE）来提取振幅残差，这有效地弥补了从浑浊域到清晰域的振幅差距，同时为DMs训练提供监督。此外，我们提出了一种相位校正模块（PCM），通过一种简单的注意力机制进一步在去雾期间细化相位谱，以消除人工物。实验结果表明，\ours 在 synthetic 和 real-world 数据集上均优于其他最先进的方法。