基于元学习实现单图像去雾在真实域上的泛化

基于学习的图像去雾方法对于辅助自主系统提升可靠性至关重要。由于合成域与真实域之间的域差距，从合成图像中学到的内部信息在真实域中通常次优，导致去雾模型性能严重下降。受从少量未见域样本探索内部信息能力的驱动，元学习常通过测试时训练来解决该问题，但其对超参数敏感且耗时。相反，我们提出一种基于元学习的域泛化框架，无需测试时训练即可挖掘真实雾域具代表性且可判别的内部属性。为获取具代表性的域特定信息，我们在去雾网络上附加了两个称为适配网络与距离感知聚合器的模块。适配网络协助从少量雾样中蒸馏域相关信息并缓存为一组特征。距离感知聚合器着力归纳所生成特征并过滤误导信息，以获得更具代表性的内部属性。为增强所蒸馏内部信息的判别性，我们提出一种称为域相关对比正则化（domain-relevant contrastive regularization）的新损失函数，其促使同域生成的内部特征更相似、异域生成的内部特征更相异。所生成的具代表性且可判别的特征被视为去雾网络的某些外部变量，以回归给定域的特定强大函数。在 RTTS 与 URHI 等真实雾数据集上的大量实验验证了我们所提方法比最先进（SOTA）的对比方法具有更优的泛化能力。