在自然场景中，雾、霾或空气质量差等天气条件会显著降低成像质量。大气中的悬浮水蒸气和尘埃颗粒会散射和吸收光线，从而降低能见度、对比度和颜色保真度[1,2]。这种退化严重影响了基于计算机视觉的应用，包括安全监控、智能交通系统和物体识别[3,4]。因此，迫切需要图像去雾技术来提高图像质量并确保这些应用的可靠性。
近年来，图像去雾技术得到了广泛研究。传统方法依赖于图像增强技术，如Retinex[5]、小波变换[6]和同态滤波[7]，这些技术通过调整亮度和对比度来改善图像质量。然而，这些方法往往忽略了雾和霾的物理效应，限制了其在复杂环境中的效果[8]。相比之下，基于大气传输模型的方法，如何等人提出的暗通道先验（DCP）[9]，利用了光散射和吸收的物理原理[10]。DCP因其简单性和有效性而受到欢迎，它利用了无雾图像中非天空区域的暗通道值接近零的特性来估计大气光和传输[11]。尽管DCP有这些优点，但由于传输估计不准确和细节丢失的问题，在实际应用中仍存在局限性[12]。最近，基于深度学习的方法（如卷积神经网络CNN）通过从雾天和无雾图像对中学习特征来提升去雾效果，但这些方法仍依赖于训练数据的质量[13]。
同时，工业区或有色金属加工区常见的烟雾和煤烟等大气污染物引起的噪声和模糊问题也通过各种恢复方法得到了解决。早期技术采用直方图均衡（HE）及其变体来增强对比度，但往往会导致噪声放大或边缘平滑。基于小波的方法因能够在不同频段分离噪声和雾霾成分而受到关注，从而更有效地保留细节。后续改进采用了第二代小波和融合策略来提高传输估计并减少伪影。深度学习方法，特别是使用GAN和对比学习的方法，在处理动态烟雾和复杂退化方面显示出潜力，但它们对大量标记数据和计算资源的依赖仍然是实时工业应用的障碍。
当前的去雾方法面临几个挑战。深度学习方法虽然强大，但在深度较大或雾层密集的场景中由于依赖训练数据集，常常会产生伪影和颜色失真[14,15]。同样，基于偏振的方法利用光的偏振特性来去除雾霾[16]，在某些情况下表现良好，但在线偏振度（DoLP）较高的场景（如金属结构或水面）中效果不佳[17]。在这些高DoLP区域，传统偏振方法的假设不再成立，导致信息丢失和颜色失真[18,19]。这些限制凸显了对更强大和多功能去雾技术的需求。
为了解决这些问题，我们提出了一个双模态去雾框架，该框架利用偏振敏感的CMOS传感器在四个偏振角度（0°、45°、90°、135°）捕获的场景强度和偏振信息[20]。本研究的主要贡献如下：首先，我们设计了一种考虑偏振的预处理和去雾方法，其中每个偏振图像分别通过改进的暗通道先验[21,22]和CLAHE进行恢复。然后使用Haar小波变换融合恢复的图像，以同时保持局部对比度[23]。其次，我们从融合的偏振数据中重建斯托克斯参数（S?、S?、S?），并计算线偏振度（DoLP），以明确编码散射引起的偏振效应，从而获得物理上可解释的表示，补充了强度恢复[24,25]。最后，我们引入了一种基于拉普拉斯金字塔的双模态融合方案，使用考虑偏振的权重将去雾后的S?图像与DoLP图像融合[[26], [27], [28]]，增强了边缘清晰度并抑制了天空区域的过度曝光。在从Bayer原始数据获取的真实世界雾景场景上进行的全面实验中，将图像解码为1224 × 1224、24位BMP格式后，结果显示在可见度、细节保留和颜色保真度方面均优于传统的单模态图像[[29], [30], [31], [32]]。
