基于先验辅助的非配对图像去雾框架（PAUD）在真实雾霾场景中的增强可视性研究

针对真实场景中雾霾导致的图像退化问题，研究人员提出了一种新型先验辅助非配对图像去雾框架（PAUD），通过快速雾霾调制（FHM）和自适应先验匹配（APM）机制，实现了无需配对数据的高效去雾。该研究显著提升了复杂雾霾条件下的可视性，为视觉驱动系统的稳定性提供了技术保障。

　　

在雾霾天气下，视觉驱动系统的可靠性常因图像退化而受到挑战。雾霾颗粒的散射导致图像模糊，严重影响后续高级视觉任务（如目标识别、语义分割）的性能。传统的去雾方法依赖合成数据或强先验假设，但合成数据与真实场景存在域差距，而先验假设在复杂场景中易失效。此外，现有非配对学习方法（如CycleGAN）未充分利用雾霾成像的物理特性，导致性能受限。

为解决这些问题，中国某研究机构的研究人员提出了一种先验辅助非配对图像去雾框架（PAUD），发表在《Expert Systems with Applications》。该框架通过物理模型驱动的解耦管道，结合快速雾霾调制（FHM）和自适应先验匹配（APM），直接从真实非配对数据中学习去雾映射。FHM通过高效调制雾霾浓度生成多样样本，APM则通过像素级可信度图动态调整先验约束，避免先验失效的误导。

关键技术包括：1）基于大气散射模型（ASM）的解耦框架；2）FHM模块实现无需深度估计的雾霾浓度调制；3）APM机制通过暗通道先验（DCP）和可信度图η_I实现软约束；4）使用RESIDE-unpaired数据集（2903张真实雾霾图像和3577张清晰图像）进行训练。

研究结果分为三部分：

1. 快速雾霾调制（FHM）：通过参数化散射系数β和大气光A，直接生成不同浓度的雾霾样本，显著提升模型对复杂场景的适应性。
2. 自适应先验匹配（APM）：传输估计模块G_t输出传输图t和可信度图η_I，动态加权先验约束，减少先验失效区域的误差。
3. 性能验证：实验表明PAUD在PSNR和SSIM指标上优于现有方法（如CycleGAN、DCPDN），且参数量减少30%以上。

结论指出，PAUD通过物理模型与数据驱动的结合，实现了真实场景下的高效去雾。FHM和APM的协同作用解决了非配对学习的域适应问题，为工业视觉系统在雾霾环境中的稳定运行提供了新思路。讨论部分强调，该方法可扩展至其他退化模型（如水下图像增强），未来可探索多模态先验的融合以进一步提升性能。