当 Schrödinger 桥接遇见无配对训练的现实图像去雾
计算机视觉与模式识别
2025-07-15 v1
摘要
近期基于生成对抗网络（GAN）的无配对去雾方法在处理现实世界雾化图像方面表现出前景。然而，这些方法往往受限于生成器的有限传输映射能力，限制了其在无配对训练范式中发挥效能。为此，我们提出了基于 Schrödinger 桥接的 DehazeSB—a 新型无配对去雾框架。通过利用最优传输（OT）理论，DehazeSB 直接桥接雾化图像与清晰图像之间的分布，从而实现从雾化到清晰图像的最优传输映射，以更少的步骤生成高质量结果。为确保恢复图像中结构信息和细节的一致性，我们引入细节保持规则化，以强制执行雾化输入与去雾输出之间的像素级对齐。此外，我们提出了一种新颖的提示学习方法，利用预训练的 CLIP 模型区分雾化图像与清晰图像，通过学习雾感知的视觉-语言对齐。在多个现实世界数据集上的大量实验表明，我们的方法优于现有方法。代码: https://github.com/ywxjm/DehazeSB。
关键词
引用
@article{arxiv.2507.09524,
title = {When Schr\"odinger Bridge Meets Real-World Image Dehazing with Unpaired Training},
author = {Yunwei Lan and Zhigao Cui and Xin Luo and Chang Liu and Nian Wang and Menglin Zhang and Yanzhao Su and Dong Liu},
journal= {arXiv preprint arXiv:2507.09524},
year = {2025}
}
备注
Accepted by ICCV2025