基于双向解耦翻译网络的非监督图像去雾方法研究：You Only Need Haze

本文提出了一种创新的双向解耦翻译网络（BDT-Net），通过将去雾任务转化为特征解耦问题，实现了无需配对训练数据的无监督学习。该网络采用内容恢复分支（CRB）和参数估计分支（PEB）的双通道架构，结合特征对比表示（FCR）和像素对比表示（PCR），有效解决了传统CycleGAN框架存在的学习混淆问题，在保持图像结构的同时显著提升了去雾效果。

　　

Highlight

本研究亮点在于提出了一种创新的无监督去雾范式，通过特征空间的解耦操作，实现了对雾霾特征和清晰内容的精准分离。

框架概述

给定雾霾图像I，我们的无监督去雾框架旨在恢复其对应的清晰图像J，而无需清洁标签的辅助。与传统的图像转换方法不同，本框架将去雾视为特征解耦任务，其中清晰内容信息和雾霾相关特征分别由CRB和PEB两个协同分支处理。具体而言，CRB负责学习...

实现细节

在我们的实验过程中，所有实验均在NVIDIA RTX A6000 GPU上进行，代码使用PyTorch框架实现。采用Adam优化器训练网络参数，动量衰减指数设为β₁=0.9和β₂=0.999。初始学习率设置为0.001，并采用MultiStepLR调度器动态调整训练过程中的学习率。总训练周期设为100，mini-batch大小设置为...

结论

本工作提出了一种新颖的双向解耦翻译网络（BDT-Net）用于无监督图像去雾，该网络采用双分支解耦框架分别建模不同的特征分布。具体而言，CRB旨在提取保持结构的清晰内容，而PEB则捕获雾霾相关特征。为实现无监督训练，我们基于物理先验融入了正向去雾和反向加雾过程...