面向不同范围依赖的最优聚合以实现去雾

去雾旨在从有雾图像中恢复清晰图像。现有方法要么专注于短程依赖以保留局部细节，要么专注于长程依赖以捕获全局上下文，并取得了显著成功。鉴于两者的互补优势，自然的进展是在统一框架内显式地整合它们，并实现其合理的聚合。然而，这种整合仍未得到充分探索。在本文中，我们提出了DehazeMatic，通过双流结构同时显式捕获短程和长程依赖。为了优化不同范围依赖的贡献，我们进行了大量实验以确定关键影响因素，并发现有效的聚合机制应综合考虑雾密度和语义信息。基于这些见解，我们引入了CLIP增强的双路径聚合器，它不仅首次能够在共享主干内生成细粒度的雾密度图，还能生成语义图，最终利用两者来指导聚合过程。大量实验表明，DehazeMatic在多个基准上优于最先进的方法。