RSHazeDiff：一种用于遥感图像去雾的统一傅里叶感知扩散模型
计算机视觉与模式识别
2024-11-18 v2
摘要
雾霾严重降低遥感图像的视觉质量，阻碍了道路提取、车辆检测和交通流量监测等任务的性能。去雾扩散概率模型（DDPM）因其强大的生成能力，显示出处理密集雾霾的潜力。由于遥感图像包含大量小尺度纹理结构，有效恢复图像细节是关键。然而，当前DDPM的做法未能很好地保留图像细节和颜色保真度，限制了其在遥感图像上的去雾能力。本文提出一种新型用于遥感图像去雾的统一傅里叶感知扩散模型，称为RSHazeDiff。从新视角出发，RSHazeDiff探索条件DDPM以改善密集雾场景中的图像质量，其三个关键贡献:首先，RSHazeDiff以粗到细的方式进行噪声估计和重建约束，纠正了DDPM中简单噪声估计约束导致的不愉悦结果;其次，通过在迭代采样步骤中利用频率信息作为重要先验知识，RSHazeDiff能够在去雾图像中保留更多纹理细节和颜色保真度;第三，我们设计了一个全局补偿学习模块，用于傅里叶变换捕获输入图像的全局依赖特征，从而有效缓解处理固定大小图像块时的边界伪影效应。在针对合成数据和真实世界基准的实验中验证了RSHazeDiff相对于最先进方法的优异性能。源代码将在https://github.com/jm-xiong/RSHazeDiff上发布。
引用
@article{arxiv.2405.09083,
title = {RSHazeDiff: A Unified Fourier-aware Diffusion Model for Remote Sensing Image Dehazing},
author = {Jiamei Xiong and Xuefeng Yan and Yongzhen Wang and Wei Zhao and Xiao-Ping Zhang and Mingqiang Wei},
journal= {arXiv preprint arXiv:2405.09083},
year = {2024}
}
备注
IEEE TITS; 15 pages, 10 figures