基于浓度分区与图像融合的多分支非均匀图像去雾
计算机视觉与模式识别
2026-05-05 v1
摘要
现有单张图像去雾方法在处理均匀薄雾图像时表现良好，但面对稀疏非均匀雾图像（呈现空间变化雾浓度和区域间强度突变）时常常力不从众。为此，我们提出一种新型多分支深度神经网络框架，称为浓度分区图像融合网络（CPIFNet），将具挑战性的非均匀去雾问题分解为一组可处理的均匀子问题。我们的核心思想是：单个非均匀雾图像可视为由多个局部区域构成，每个区域的雾特征近似均匀。CPIFNet采用两阶段架构：图像增强网络（IENet）阶段和图像融合网络（IFNet）阶段。在第一阶段，多个IENet分支分别在不同雾浓度的均匀雾数据集上独立训练，生成在匹配雾密度的区域上恢复效果最佳的增强模型。在第二阶段，IFNet通过深度特征堆叠与融合，智能地聚合所有增强输出中优势区域，生成统一的高质量去雾结果。此外，我们引入综合性损失函数，融合重建损失、感知损失、结构损失和颜色损失，联合监督两个阶段。
引用
@article{arxiv.2605.00885,
title = {Multi-Branch Non-Homogeneous Image Dehazing via Concentration Partitioning and Image Fusion},
author = {Yingming Zhang and Wuqi Su and Qing Xiao and Yonggang Yang},
journal= {arXiv preprint arXiv:2605.00885},
year = {2026}
}