HistoFusionNet：直方图引导的夜间图像去雾融合与频率自适应细化
计算机视觉与模式识别
2026-04-07 v1
摘要
夜间图像去雾仍是一个备受挑战的低层视觉问题，由于混合存在雾霾、发光、非均匀照明、颜色失真和传感器噪声，常常使常用的白天去雾假设失效。为解决这些挑战，我们提出 HistoFusionNet，一个针对夜间图像去雾设计的 transformer 增强架构，通过直方图引导的表示学习与频率自适应特征细化相结合实现。基于多尺度编码-解码主干结构，我们的方法引入直方图 transformer 模块，通过根据动态范围特征对特征进行分组来建模长程依赖，从而更有效地聚合在复杂夜间照明下被破坏的类似区域。为进一步提高恢复质量，我们包含一个频率感知细化分支，能自适应地利用低频和高频线索的互补性，帮助恢复场景结构、抑制伪影并增强局部细节。该设计构建了一个特别适用于真实夜间浑浊场景中异构退化的统一框架。广泛的实验和在 NTIRE 2026 夜间图像去雾挑战基准上的高度竞争的性能表现证明了所提出方法的有效性。我们的团队在 22 支队伍中名列第 1，凸显了 HistoFusionNet 的稳健性和竞争性能。代码已公开：https://github.com/heydarimo/Night-Time-Dehazing
引用
@article{arxiv.2604.03800,
title = {HistoFusionNet: Histogram-Guided Fusion and Frequency-Adaptive Refinement for Nighttime Image Dehazing},
author = {Mohammad Heydari and Wei Dong and Shahram Shirani and Jun Chen and Han Zhou},
journal= {arXiv preprint arXiv:2604.03800},
year = {2026}
}