基于奖励引导的自强化无监督图像去雾
计算机视觉与模式识别
2026-05-04 v1
摘要
无监督去雾因能够学习真实雨天分布而引起广泛关注。然而，缺乏强约束使得网络难以收敛，尤其在雨降解复杂多样时。一个关键动机是，高质量去雾结果偶尔会在训练期间出现，这些结果可以被用来指导优化过程。为克服这些挑战，我们提出了 RGSUD（Reward-Guided Self-Reinforcement Unsupervised Image Deraining），包括奖励循环和自强化（SR）训练两个关键阶段。前期阶段，我们提出了一种基于图像质量评估（IQA）的动态奖励循环机制，用于在训练期间筛选最佳去雾输出并持续收集高质量去雾图像。在后期阶段，我们将这些奖励纳入模型的优化过程中，以约束优化空间并提高去雾输出与干净图像之间的对齐程度。通过利用 IQA 基于自强化的损失和动态更新的奖励，我们提高了合成伪配对数据的质量，并稳定了优化过程。广泛的实验表明，我们的方法在多个数据集上实现了最先进的性能，包括配对合成、配对真实和非配对真实图像，在主观和客观 IQA 指标上均优于现有的无监督去雾方法。此外，我们展示了自强化策略可以适用于其他无监督去雾方法，且我们的去雾框架在现有的监督去雾网络上表现出强大的泛化能力。
引用
@article{arxiv.2605.00719,
title = {Unpaired Image Deraining Using Reward-Guided Self-Reinforcement Strategy},
author = {Yinghao Chen and Yeying Jin and Xiang Chen and Yanyan Wei and Ziyang Yan and Yaowen Fu},
journal= {arXiv preprint arXiv:2605.00719},
year = {2026}
}