基于浓度标定与域适应的两阶段沙尘图像增强方法

针对沙尘天气下图像存在色调偏差和能见度差的问题，研究人员提出了一种创新的两阶段沙尘图像增强方法。该方法通过浓度标定阶段统一不同污染程度的图像风格，再借助域适应技术进行细节增强，实验表明其性能优于现有SOTA方法，为计算机视觉任务提供了更可靠的图像预处理方案。代码已开源在GitHub平台。

　　

在沙尘暴频发的地区，摄像机捕捉的图像常常呈现严重的黄色色调偏移和细节模糊，这给自动驾驶、目标识别等计算机视觉应用带来了巨大挑战。现有图像增强方法存在一个根本性缺陷：它们对所有污染程度的沙尘图像都采用相同的处理方式，而实际上不同浓度的沙尘会导致完全不同的视觉风格变化。从轻微泛黄到严重橙黄，这种连续变化的污染谱系使得传统方法难以取得稳定的增强效果。

研究人员发现，当前方法无论是基于物理模型还是深度学习，都无法有效应对这一挑战。物理模型方法如反向蓝通道先验(RBCP)虽然能估计大气光和透射图，但其效果高度依赖模型精度；而深度学习方法如Dedust-GAN在低浓度时表现良好，但随着沙尘浓度增加性能急剧下降。更严峻的是，真实沙尘图像数据集的严重匮乏限制了深度学习模型的泛化能力。

为解决这一系列问题，研究人员创新性地提出了两阶段解决方案。第一阶段通过沙尘图像浓度标定(Sand-dust Image Concentration Scaling)技术，将不同污染程度的图像统一转换到中间域，消除风格差异；第二阶段采用基于域适应(Domain Adaptation)的细节增强方法，利用从雾霾图像中学到的知识来恢复沙尘图像的细节。这种方法巧妙地解决了数据不足和浓度变化两大难题。

关键技术包括：1）基于像素分布补偿的浓度标定算法；2）跨域知识迁移的细节增强网络；3）结合CNN和物理模型的混合架构。实验使用了真实场景采集的沙尘图像数据集，并与当前最优方法进行对比。

研究结果显示：

1. 在"方法"部分，提出的两阶段框架显著提升了不同浓度沙尘图像的处理效果，中间域转换有效降低了风格差异；
2. "实验"部分证实，该方法在PSNR和SSIM指标上均优于现有技术，特别是在高浓度沙尘图像上优势明显；
3. 消融研究表明，两个阶段缺一不可，浓度标定阶段贡献了约60%的性能提升；
4. 应用测试显示，增强后的图像显著提升了目标检测和目标识别等下游任务的准确率。

这项研究的突破性在于：首次系统性地解决了沙尘浓度变化带来的图像处理难题；创造性地将域适应技术引入沙尘图像增强领域；为数据稀缺条件下的图像处理提供了新思路。论文发表在《Knowledge-Based Systems》上，其开源代码将促进相关技术的快速发展。这项工作不仅提升了沙尘天气下的图像质量，更为处理其他恶劣天气条件下的图像增强问题提供了方法论参考。