基于物理提示引导网络的非均匀雾霾图像可解释性去雾方法PHP-DeNet

针对非均匀雾霾条件下图像去雾任务中物理可解释性与性能难以平衡的问题，研究人员提出PHP-DeNet网络，通过物理引导雾霾提示模块(PHM)和超像素驱动上下文融合Transformer块(SCFT)，在NH-Haze数据集上实现PSNR提升2.67dB且参数量减少30%，为复杂场景下的视觉任务提供高保真图像恢复方案。

　　

在计算机视觉领域，雾霾导致的图像质量退化一直是困扰实际应用的难题。从自动驾驶到遥感监测，雾霾颗粒对光线的散射作用使得关键特征丢失，直接影响下游任务的准确性。尽管传统方法如暗通道先验和深度学习方法如CNN、ViT已取得进展，但非均匀雾霾条件下的物理可解释性与性能平衡仍是瓶颈——统计先验易产生伪影，而纯数据驱动方法常因特征估计偏差导致色彩失真。

针对这一挑战，研究人员开发了PHP-DeNet网络，其创新性体现在将大气散射模型转化为可嵌入网络的物理提示。通过Physics-Guided Haze Prompt Module (PHM)模块，系统将透射率T(x)和大气光A₀
等物理参数作为先验知识，指导网络自适应提取雾霾特征。为解决空间异质性难题，设计的Superpixel-Driven Contextual Fusion Transformer Block (SCFT)通过超像素交互注意力(SIA)和超像素交叉注意力(SCA)实现全局依赖与局部细节的协同优化。实验证明该方法在NH-Haze数据集上以30%的参数量缩减实现2.67dB的PSNR提升，相关成果发表于《Expert Systems with Applications》。

关键技术包含：1) 基于大气散射模型的物理提示生成；2) 超像素令牌驱动的特征融合策略；3) 自适应门控融合模块；4) 合成与真实场景(NH-Haze等数据集)的联合训练策略。

研究结果部分显示：
《Problem Formulation》通过重构大气散射模型，将去雾任务转化为透射率T(x)和大气光A₀
的联合优化问题；
《Implementation Details》采用AdamW优化器(β₁
=0.9, β₂
=0.999)和余弦退火学习率调度，证明2×10^-4
初始学习率最优；
《Algorithmic Analysis》揭示该方法在白天场景优势明显，但夜间雾霾因光晕效应存在残余雾霾，显示未来需改进方向。

结论部分强调，PHP-DeNet通过物理引导与数据驱动的协同设计，首次实现去雾过程的可解释性与性能统一。PHM模块将传统模型的物理约束转化为深度学习友好形式，而SCFT块突破传统Transformer的局部细节丢失局限。该工作为恶劣天气下的视觉系统提供新范式，其物理提示机制可扩展至其他图像复原任务。局限性在于对极端光照条件(如夜间雾霾)的适应性仍需提升，作者计划通过光物理联合建模进一步优化。