基于物理重雾生成的未配对图像去雾学习
计算机视觉与模式识别
2025-06-17 v1
摘要
对合成训练对的过拟合仍然是图像去雾中的一个关键挑战，导致对真实场景的泛化能力较差。为了解决这个问题，现有方法利用未配对的真实数据进行训练，采用CycleGAN或对比学习框架。尽管取得了进展，这些方法常常遭受训练不稳定的问题，导致去雾性能有限。在本文中，我们提出了一种新的未配对图像去雾训练策略，称为Rehazy，以提高去雾性能和训练稳定性。该策略探索了有雾图像中潜在干净图像的一致性，并利用有雾-重雾对来有效学习真实雾霾特征。为了有利地构建有雾-重雾对，我们开发了一个基于物理的重雾生成流程，该流程在理论上被验证能够可靠地生成高质量的重雾图像。此外，利用重雾策略，我们引入了一个用于去雾网络训练的双分支框架，其中干净分支以合成方式提供基本的去雾能力，而有雾分支则通过有雾-重雾对增强泛化能力。此外，我们在这些分支内设计了一个新的去雾网络以提高效率，该网络从粗到细逐步恢复干净场景。在四个基准上的大量实验证明了我们方法的优越性能，在SOTS-Indoor数据集上PSNR超过先前最先进方法3.58 dB，在SOTS-Outdoor数据集上超过1.85 dB。我们的代码将公开提供。
引用
@article{arxiv.2506.12824,
title = {Learning Unpaired Image Dehazing with Physics-based Rehazy Generation},
author = {Haoyou Deng and Zhiqiang Li and Feng Zhang and Qingbo Lu and Zisheng Cao and Yuanjie Shao and Shuhang Gu and Changxin Gao and Nong Sang},
journal= {arXiv preprint arXiv:2506.12824},
year = {2025}
}