用于无配对图像去雾的隐式神经退化表示学习
计算机视觉与模式识别
2025-11-18 v1
摘要
图像去雾是计算机视觉领域的重要任务，旨在从受雾图像中恢复出清晰且细节丰富的视觉内容。然而，在处理复杂场景时，现有方法往往难以在不均匀雾分布的细粒度特征表示和全局一致性建模之间取得平衡。为更好地学习雾在空间变化中的常见退化表示，我们提出了一种基于隐式神经退化表示的无监督去雾方法。首先，灵感来自 Kolmogorov-Arnold 表示定理，我们提出了结合通道独立机制和通道依赖机制的机制，有效提升了学习非依赖关系的能力，从而在复杂场景中实现良好的视觉感知。此外，我们设计了一种隐式神经表示，将雾退化建模为连续函数，以消除冗余信息和对显式特征提取和物理模型的依赖。为进一步学习雾特征的隐式表示，我们还从中设计了一个稠密残差增强模块，以消除冗余信息。实现了高质量的图像恢复。实验结果表明，我们的方法在各种公开和真实世界数据集上实现了具竞争力的去雾性能。
引用
@article{arxiv.2511.13110,
title = {Learning Implicit Neural Degradation Representation for Unpaired Image Dehazing},
author = {Shuaibin Fan and Senming Zhong and Wenchao Yan and Minglong Xue},
journal= {arXiv preprint arXiv:2511.13110},
year = {2025}
}