学习隐式传输与光晕图用于镜面视野光晕消除

除了常被认识的光学失真之外，简化的光学系统——包括单透镜和金属透镜设计——的成像性能往往还受到由非理想光学表面和涂层引起的散射引起的视野光晕进一步恶化，尤其是在复杂真实环境中。这种复合性损坏削弱了传统的镜头失正误差校正，却鲜有被探讨。一个主要挑战是，传统散射模型（例如用于去雾）无法适用于视野光晕，因为其具有空间变异且与深度无关的特性。Consequently，无法通过仿真准备配对高质量数据，阻碍了数据驱动的视野光晕消除模型的应用。为此，我们提出了 VeilGen，一种生成模型，通过从目标图像中无监督地估计其潜在光学传输和光晕图来学习模拟视野光晕，由 Stable Diffusion (SD) 基础先验对其进行正则化。VeilGen 使能够生成包含光学失正误差和视野光晕的复合性损坏的配对数据集，同时还提供估计的潜在光学传输和光晕图以指导视野光晕消除过程。我们进一步引入 DeVeiler，一个在可逆约束下训练的恢复网络，该网络利用预测的潜在图来指导所学习散射模型的逆过程。广泛的在挑战性简化光学系统上的实验表明，我们的方法在恢复质量和物理保真度方面优于现有方法。这表明 VeilGen 可靠地合成了真实的视野光晕，其学习的潜在图有效地指导了 DeVeiler 中的恢复过程。所有代码和数据集将在 https://github.com/XiaolongQian/DeVeiler 上公开发布。