基于提示的测试时真实图像去雾：一种新流程

现有方法试图通过探索精心设计的训练方案（例如 CycleGAN、先验损失）来提升模型在真实世界雾图上的泛化能力。然而，它们大多需要非常复杂的训练过程才能获得满意结果。我们首次提出一种称为基于提示的测试时去雾（PTTD）的新流程，以在推理阶段帮助生成视觉上令人愉悦的真实拍摄雾图结果。我们通过实验观察到，给定在合成数据上训练的去雾模型，微调编码特征的统计量（即均值与标准差）能够缩小域间隙，提升真实图像去雾性能。据此，我们首先应用提示生成模块（PGM）生成视觉提示，其作为均值与标准差适当统计扰动的参考。然后，我们将特征适配模块（FAM）嵌入现有去雾模型，以在生成提示引导下调整原始统计量。PTTD 与模型无关，可配备各种在合成雾-清图像对上训练的最先进去雾模型以应对真实图像去雾任务。大量实验结果表明，我们的 PTTD 有效，在真实场景中以优于最先进去雾方法的性能取胜。代码见 \url{https://github.com/cecret3350/PTTD-Dehazing}。