基于非配对丰富物理先验的UR2P-Dehaze图像去雾增强方法研究

针对现有去雾方法难以全面捕捉图像物理特性导致细节丢失的问题，研究人员提出非配对去雾网络UR2P-Dehaze。通过共享先验估计器（SPE）迭代优化光照与反射率一致性，结合动态小波可分离卷积（DWSC）增强多尺度特征提取，并设计自适应色彩校正器（ACC）恢复颜色信息。实验表明，该方法在PSNR、SSIM等指标上达到SOTA性能，显著提升下游任务表现。

　　

在计算机视觉领域，图像去雾技术是提升恶劣天气条件下视觉信息质量的关键。雾霾会严重降低图像对比度，影响交通监控、目标检测等实际应用。尽管基于深度学习的去雾方法（如DR-YOLO、IDM）已取得进展，但现有模型仍面临两大挑战：一是难以从单幅雾图中充分提取物理特性（如光照、反射率）；二是颜色恢复不足导致视觉失真。传统方法依赖大气散射模型（I(x)=J(x)t(x)+A(x)(1?t(x))），但手工先验存在泛化瓶颈，而GAN-based方法常忽略真实雾霾环境的物理复杂性。

针对这些问题，研究人员提出UR2P-Dehaze框架，其创新性体现在三方面：首先，通过共享先验估计器（Shared Prior Estimator, SPE）迭代学习雾图的反射率、光照等物理参数，建立无监督训练范式；其次，设计动态小波可分离卷积（Dynamic Wavelet Separable Convolution, DWSC），在小波域融合高低频特征以扩大感受野；最后，引入自适应色彩校正器（Adaptive Color Corrector, ACC）解决颜色偏移问题。实验验证了该方法在PSNR、CIEDE2000等指标上的优越性，且能显著提升下游任务性能。

关键技术包括：1）基于Retinex理论的SPE模块，通过自监控机制消除干扰特征；2）DWSC模块利用Haar小波分解实现多尺度特征提取；3）ACC模块采用通道注意力机制动态校正RGB色彩分布。研究采用SOTS、Haze4K等基准数据集，对比D4、FFA-Net等10余种方法，并进行了模块有效性验证。

研究结果方面，SPE模块通过迭代优化使反射率与光照估计误差降低32.5%；DWSC模块在LPIPS指标上比传统卷积提升18.7%，证明其细节保留能力；ACC模块将CIEDE2000色差分数优化21.3%，显著改善色彩保真度。消融实验显示，完整模型的FID分数比单模块版本降低29.8%，证实协同作用。

结论指出，UR2P-Dehaze首次实现从单幅雾图中自动学习丰富物理先验，其DWSC架构为多尺度特征提取提供新思路，而ACC模块填补了去雾研究中色彩恢复的理论空白。该成果发表于《Pattern Recognition》，代码已开源，为自动驾驶、遥感监测等场景提供实用化解决方案。局限性在于对极端浓雾场景的适应性仍需提升，未来将探索物理先验与Transformer的融合架构。