UDPNet：解放基于深度的先验知识用于鲁棒图像去雾
计算机视觉与模式识别
2026-01-21 v2
摘要
图像去雾技术近年来取得了显著进展，得益于深度学习模型的发展。然而，大多数现有方法仅关注单模态RGB特征，忽略了场景深度与雾分布之间的内在关联。即使那些联合优化深度估计和图像去雾的方法，也因未充分利用准确深度信息而表现不佳。本文提出UDPNet—a一种通用框架，利用来自大规模预训练深度估计模型DepthAnything V2的深度先验知识来提升现有图像去雾模型性能。具体而言，我们的架构包含两个关键组件：深度导向注意力模块(DGAM)通过轻量级深度引导通道注意力自适应调制特征；深度先验融合模块(DPFM)通过双滑动窗口多头交叉注意力机制实现多尺度深度图特征的层次化融合。这些模块确保了计算效率和深度先验的有效集成。此外，深度先验使网络能够动态适应不同雾密度、光照条件以及合成数据和真实世界数据之间的领域差异。大量实验结果表明，UDPNet有效且在流行的去雾数据集上超越了当前最先进的方法，在SOTS-indoor上提升了0.85 dB，在Haze4K上提升了1.19 dB，在NHR上提升了1.79 dB。我们提出的解决方案在各种场景下建立了深度感知去雾的新基准。预训练模型和代码已发布于项目网址 https://github.com/Harbinzzy/UDPNet。
引用
@article{arxiv.2601.06909,
title = {UDPNet: Unleashing Depth-based Priors for Robust Image Dehazing},
author = {Zengyuan Zuo and Junjun Jiang and Gang Wu and Xianming Liu},
journal= {arXiv preprint arXiv:2601.06909},
year = {2026}
}