通过跨数据视觉对齐放大单张图像去雾算法以获得更丰富的表征学习

近年来，深度神经网络任务越来越依赖高质量的图像输入。随着高分辨率表征学习的发展，图像去雾任务受到广泛关注。以往方法收集多样化的图像数据进行大规模训练，以提升在特定场景下的性能。但忽略不同数据之间的领域差异，过去的去雾方法仅采用多个数据集进行显式的大规模训练，往往导致方法本身受到制约。为解决此问题，我们提出了一种用于更丰富表征学习的跨数据视觉对齐方法，以改进现有的去雾方法论。具体而言，我们提出应进一步以自监督方式适应内部和外部知识，以弥补领域差距。通过跨数据外部对齐，数据集继承来自不同领域的样本并进行严格对齐，使模型能够学习更稳健和更具可泛性的特征。通过内部增强方法，模型能够充分利用图像中的局部信息，从而获得更多图像细节。为证明我们方法的有效性，我们在自然图像数据集（NID）上进行训练。实验结果表明，我们的方法清晰地解决了不同去雾数据集之间的领域差距，并为去雾任务中的大规模训练提供了新的流程。我们的 approach 在去雾方面显著优于其他先进方法，生成的去雾图像与真实无雾图像的接近程度也更高。