GUSL-Dehaze：面向图像去雾的绿色 U 型学习方法
图像与视频处理
2025-10-24 v1 计算机视觉与模式识别
摘要
图像去雾是一种恢复从单一雾化输入中获取清晰图像的重建任务。传统方法依赖统计先验和基于大气散射模型的物理模型来重建雾中图像。虽然最近的前沿方法主要基于深度学习架构，但这些模型通常涉及高计算成本和大参数规模，使其不适用于资源受限的设备。在本工作中，我们提出GUSL-Dehaze，一种面向图像去雾的绿色 U 型学习方法。我们的方法将物理模型与绿色学习（GL）框架集成，提供了一种轻量级、透明的传统深度学习技术的替代方案。不同于神经网络解决方案，GUSL-Dehaze完全避免深度学习。我们首先使用修改后的暗通道先验（DCP）进行初始去雾，然后通过一种 U 型架构实现绿色学习管道。该架构采用无监督表征学习进行有效特征提取，结合相关特征测试（RFT）和最小二乘正态变换（LNT）等特征工程技术以保持紧凑的模型规模。最后，通过透明的监督学习策略获得去雾图像。GUSL-Dehaze显著减少参数数量，同时确保数学可解释性，并实现与前沿深度学习模型相当的性能。
引用
@article{arxiv.2510.20266,
title = {GUSL-Dehaze: A Green U-Shaped Learning Approach to Image Dehazing},
author = {Mahtab Movaheddrad and Laurence Palmer and C. -C. Jay Kuo},
journal= {arXiv preprint arXiv:2510.20266},
year = {2025}
}