基于倒置暗通道先验引导循环生成对抗网络的水上图像去雾方法

本文提出了一种创新的PG-CycleGAN（Prior-Guided Cycle-consistent Generative Adversarial Network）框架，针对水上场景特有的天空占比大、目标物体小的特点，设计了倒置暗通道先验（IDCP）图以突出水面物体特征。通过先验编码器、先验引导残差块（PGRB）和三元上采样模块（PGTU）的协同作用，结合先验图加权的GAN损失和循环一致性损失，显著提升了船舶等关键目标的恢复精度，为水上视觉任务（如目标检测）提供了突破性解决方案。

　　

亮点

• 提出首个面向水上场景的无监督去雾框架PG-CycleGAN，通过倒置暗通道先验（IDCP）图强化水面物体特征

• 创新设计PGRB（先验引导残差块）和PGTU（先验引导三元上采样）模块，实现关键特征的多尺度融合

• 开发先验图加权的对抗损失与循环损失，使模型专注船舶等关键目标的精准恢复

方法

如图2所示，PG-CycleGAN采用双循环结构（雾图-清晰图-雾图/清晰图-雾图-清晰图）。在雾图分支中，去雾网络G同时接收雾图x和先验图I_P^foggy，通过PGRB将先验信息压缩为1维向量指导通道注意力机制，而PGTU模块创新性地融合了转置卷积、双线性插值和PixelShuffle三种上采样方式，利用通道分割与混洗策略避免伪影。

实验验证

1) 模块有效性分析：

如表3所示，逐步移除PGTU、PGRB或先验损失均导致性能下降，其中同时使用所有模块的完整模型在NIQE指标上提升23.6%，船舶检测AP50提高11.2%。特别地，PGTU使上采样区域的纹理保真度提升34%。

结论

本研究通过IDCP先验图引导的特征提取与损失优化机制，有效解决了传统去雾方法在水上场景中天空区域过增强、目标物体欠恢复的核心矛盾。实验表明，该方法在保持天空自然度的同时，显著提升了船舶等小目标的细节重建能力。