基于模拟极化雾霾数据集的偏振态注意力去雾网络

《IEEE Transactions on Multimedia》：Polarization State Attention Dehazing Network With a Simulated Polar-Haze Dataset

偏振辅助图像去雾研究提出基于偏振 cues 的模拟策略，构建Polar-Haze数据集，设计PSADNet模型，通过注意力机制提取高阶偏振特征，结合偏振分析提升去雾效果，实验验证有效性。

　　

摘要：

在恶劣天气条件下进行图像去雾仍然是一个具有挑战性且难以解决的问题。此外，获取雾天图像的实时无雾版本也存在困难。现有的方法通常依赖估计的深度信息来合成雾天数据，但由于这些信息的物理可靠性不足，容易出现错误。虽然生成网络能够将一些雾天特征转移到清晰图像中，但得到的雾天图像仍然显得不自然。在本文中，我们引入了偏振线索来提出一种雾天模拟策略，以合成符合物理规律的、视觉效果令人满意的雾天数据。利用模拟的Polar-Haze数据集，我们提出了一个偏振状态注意力去雾网络（PSADNet），该网络由偏振提取模块和偏振去雾模块组成。所提出的偏振提取模型结合了注意力机制，以捕捉与偏振和色度相关的高层次图像特征。偏振去雾模块利用从偏振分析中得到的特征来增强图像去雾效果，同时保持偏振信息的准确性。在定性和定量实验中都观察到了令人满意的结果，证明了PSADNet的有效性以及基于偏振的雾天模拟策略的合理性。

引言

恶劣的天气条件常常伴随着雾、霾和薄雾的出现。颗粒物和光线的干扰会导致捕获的图像质量显著下降，包括对比度降低、颜色再现不准确以及场景细节丢失。这种能见度下降给各种计算机视觉任务带来了挑战，例如城市交通、户外视频监控和自动驾驶。因此，人们越来越需要去雾方法来减轻图像中的雾天效应。