基于期望最大化和双向布朗桥扩散模型的半监督图像去雾
计算机视觉与模式识别
2025-08-18 v1
摘要
现有去雾方法在处理实雾图像时困难，尤其是稠密雾的场景。一个主要原因是缺乏实雾和清晰图像的配对数据和稳健的先验知识。为避免昂贵的配对雾化和清晰图像收集，我们提出一种基于期望最大化和双向布朗桥扩散模型（EM-B3DM）的高效半监督图像去雾方法，采用两阶段学习方案。在第一阶段，我们采用 EM 算法将雾化和清晰图像的联合分布解耦为两个条件分布，并使用统一的布朗桥扩散模型来直接捕获雾化和清晰图像之间的结构和内容相关性。在第二阶段，我们利用预训练模型和大规模无配对雾化和清晰图像进一步提升图像去雾性能。此外，我们引入细节增强残差差分卷积块（RDC），以捕获梯度级信息，显著提升模型的表示能力。大量实验表明，EM-B3DM 在合成和真实数据集上表现优异或至少与最新方法相当。
引用
@article{arxiv.2508.11165,
title = {Semi-supervised Image Dehazing via Expectation-Maximization and Bidirectional Brownian Bridge Diffusion Models},
author = {Bing Liu and Le Wang and Mingming Liu and Hao Liu and Rui Yao and Yong Zhou and Peng Liu and Tongqiang Xia},
journal= {arXiv preprint arXiv:2508.11165},
year = {2025}
}
备注
10 pages, 4 figures