面向域不变的单图像去雾

图像中雾的存在会遮蔽底层信息，这在需要准确环境信息的应用中是不利的。为了恢复此类图像，去雾算法应定位并恢复受影响的区域，同时确保恢复区域与其相邻区域之间的一致性。然而，由于卷积核的感受野固定且雾的分布不均匀，保证区域间的一致性十分困难。本文中，我们利用基于编码器-解码器的网络架构来执行去雾任务，并集成一种空间感知的通道注意力机制，以增强传统卷积核感受野之外的感兴趣特征。为确保跨不同雾浓度范围的性能一致性，我们采用了贪婪的局部化数据增强机制。合成数据集通常用于保证大量成对训练样本，但生成此类样本的方法引入了它们与真实图像之间的差距，其仅考虑均匀雾分布而忽略了更现实的非均匀雾分布场景，导致在真实数据集上评估时去雾性能较差。尽管如此，合成数据集中成对的样本丰富性不可忽视。因此，为确保跨不同数据集的性能一致性，我们在对抗性先验引导框架内训练所提出的网络，该框架依赖生成图像及其低频和高频分量来判断去雾图像的特性是否与真实值匹配。我们进行了大量实验，以验证所提框架在不同域上的去雾和域不变性能，并报告了最先进的（SoTA）结果。