基于物理先验与对比学习的双阶段真实场景图像去雾方法研究

为解决真实场景图像去雾中合成与真实雾域差异大、物理模型不稳定等问题，研究人员提出了一种结合物理驱动网络（PBDNet）与对比学习生成对抗网络（CLGAN）的双阶段框架。该研究通过合成数据训练物理可解释先验，再通过无监督对比学习实现真实雾图对齐，在SOTS-outdoor数据集上PSNR达34.13dB，显著超越现有方法。其创新性在于融合物理模型与数据驱动优势，为智能交通、户外监控等场景提供鲁棒去雾方案。

　　

在计算机视觉领域，图像去雾技术是提升恶劣天气下视觉感知能力的关键。然而，现有方法面临三大难题：合成雾图与真实场景的域差异导致模型泛化性差；物理模型依赖精确的传输图估计，复杂雾况下稳定性不足；真实场景中成对数据稀缺制约监督学习效果。这些问题严重限制了去雾技术在自动驾驶、交通监控等实际场景中的应用。

苏州大学轨道交通工程专业的谢华强（Huaqiang Xie）团队在《Neurocomputing》发表研究，提出了一种突破性的双阶段去雾框架。该研究创新性地将物理模型的可解释性与生成对抗网络的域适应能力相结合：第一阶段通过物理驱动网络（PBDNet）从合成数据中学习传输图T(x)和大气光A的估计规律；第二阶段采用对比学习生成对抗网络（CLGAN）实现无监督的真实雾图对齐，利用InfoNCE损失增强雾不变特征表达。

关键技术包括：1）基于大气散射模型I(x)=J(x)T(x)+A(1-T(x))构建物理引导单元（PBDU），采用混合池化与简化自注意力机制；2）跨阶段特征对齐策略，冻结第一阶段物理模型参数指导第二阶段训练；3）多尺度对比学习模块，通过正负样本对比增强局部纹理保持能力。实验使用SOTS-outdoor、URHI等标准数据集，涵盖合成与真实雾图场景。

【研究结果】

1. 合成雾图去雾评估：在SOTS-outdoor数据集上，PSNR达34.13dB，较次优方法提升1.62dB，SSIM提高0.012。可视化显示该方法在重度雾况下仍能恢复建筑边缘细节（图5-6）。
2. 真实场景性能验证：URHI数据集的BRISQUE分数为17.54，表明去雾结果具有优异感知质量。FADE指标分析证实其能有效保留高频特征（图10）。
3. 物理先验有效性：消融实验显示，引入PBDU模块使PSNR提升2.3dB，证明物理约束能显著改善生成稳定性（表3）。
4. 极端场景鲁棒性：在过曝光与密集雾测试中（图15），对比学习策略成功捕捉雾不变特征，避免传统方法常见的色彩失真。

【结论与意义】
该研究通过物理模型与数据驱动的协同优化，首次实现了合成数据先验与真实场景泛化能力的统一。其创新点在于：1）提出可解释的PBDU模块，将大气散射模型嵌入网络架构；2）开发跨域对比对齐机制，解决无监督训练中的结构失真问题；3）计算效率优化，1080P图像处理速度达25fps，满足实时需求。研究为智能交通系统、航拍监测等实际应用提供了可靠的技术路径，同时为多模态恶劣天气图像复原提供了方法论参考。未来工作可扩展至雨雪等多天气联合去噪任务。