FM-Dehaze：面向无配对图像去雾的非均匀雾退化细粒度建模

《Optics & Laser Technology》：FM-Dehaze: Fine-grained modeling of non-uniform haze degradation for unpaired image dehazing

　　

摘要
在雾霾大气条件下拍摄的图像通常表现出显著的对比度降低和细节丢失，这严重损害了户外视觉系统的感知性能。为解决这一挑战，本文致力于解决在复杂场景中建模空间非均匀雾霾分布与维持全局一致性之间的根本难点平衡。我们提出了一种针对非均匀雾霾退化的细粒度建模图像去雾方法。首先，在特征表示层面，基于柯尔莫哥洛夫-阿诺德定理，我们设计了一种解耦协作的双分支通道表示机制，显式分解并隐式聚合非线性映射关系。这增强了网络感知空间异质雾霾分布的能力，并生成更符合人类视觉感知的复原结果。其次，在建模范式层面，我们打破了传统方法对特征提取模块和大气散射模型的依赖，将雾霾退化重构为隐函数空间中的连续信号映射问题。通过利用隐式神经表示，我们使用紧凑的网络参数有效地参数化任意空间坐标处的退化强度，从而减轻冗余信息传播。第三，在表示增强层面，我们集成了一种密集残差增强模块，通过级联多尺度残差连接，逐步解耦并消除雾霾伪影，以生成高保真去雾结果。实验结果表明，在多个合成基准和真实场景上的广泛评估验证了我们方法的有效性。项目代码将在 https://github.com/Fan-pixel/FM-Dehaze 提供。

介绍
图像去雾是计算机视觉领域一项极具挑战性的任务，旨在从受雾霾污染的输入中恢复清晰且细节丰富的无雾图像。该技术对于增强下游应用（例如目标检测（如 RT-DETR [1] 和 UHF-UOD [2]）、图像复原（如 [3]、[4]、[5]、[6]）、自动驾驶（如 VLP [7]）和图像分割（如 ELITE-Seg [8]、DR-VisionNet [9] 和 DPCSA-Net [10]））的性能至关重要。雾霾图像的形成通常通过大气散射模型（ASM）建模：
$I(x)=J(x)t(x)+A(1?t(x))$
其中 $I(x)$ 是雾霾图像，$J(x)$ 是场景辐射度，$t(x)$ 是透射率，$A$ 是全局大气光。通常我们定义 $t(x)=e?βd(x)$。β 代表大气散射系数，$d(x)$ 是场景深度。
雾霾在图像中分布极不均匀，并具有复杂的多尺度特征 [11]，如不同的尺寸、形状、角度、深度和密度。这些特征对卷积神经网络（CNN）[12] 构成了严峻挑战。现有的 CNN 架构由于固定的感受野，难以有效捕获空间变化特征和非局部结构信息，尤其是在雾霾分布不均匀的图像中。这一限制阻碍了它们有效表示细粒度特征和实现一致的全局建模的能力，从而影响整体性能。尽管雾霾图像通常表现出相似的视觉退化模式（例如典型的雾霾引起的失真），但当前方法严重依赖传统特征表示，这些表示对输入变化敏感，无法完全建模这些常见退化背后的隐式潜在函数。这限制了它们在复杂场景中的性能。因此，学习来自空间变化雾霾的特征之间的潜在相关性对于恢复更清晰的图像具有重要的研究意义。
在本文中，我们提出了一种称为 FM-Dehaze 的去雾方法，专注于隐式神经退化表示。该方法旨在深入探索雾霾的非线性退化特征及其隐式表示，以更有效恢复清晰且细节丰富的图像内容。具体而言，为了更有效地处理空间特征变化并增强模型的细粒度特征表示和全局一致性建模能力，我们提出了一种解耦和协作通道表示（DCCR）机制。该架构基于柯尔莫哥洛夫-阿诺德网络（KAN）框架，集成了通道独立和通道依赖机制。具体来说，KAN 基于柯尔莫哥洛夫-阿诺德表示定理，该定理能够将高维函数高效分解为多个一维函数，同时自适应调整激活函数的形状。这显著提高了网络的表示能力。不同于仅将 KAN 用作通用 MLP 替代品的现有方法，DCCR 将 KAN 的分解能力引导至去雾任务中非均匀退化特征的解耦建模。通过通道独立和通道依赖分支的协作机制，它在局部细节保留和全局上下文感知之间取得平衡，从而实现针对图像去雾物理特征的架构级定制。我们提出的 DCCR 模块平衡了局部感知与全局建模，保留了图像的结构细节并增强了通道间的上下文表示，从而实现更精确的特征建模。
除了更高效地学习具有空间变化特征的雾霾特征之间的潜在相关性并增强模型的自适应表示外，我们在特征融合部分设计了一种隐式神经表示。在此基础上，我们进一步设计了密集残差增强模块（DREM）。该模块不仅优化了特征信息的处理，还大大消除了冗余信息，这显著增强了模型捕获雾霾退化特征和空间变化细节的能力。这一改进大大提高了模型在复杂场景中的鲁棒性。我们的主要贡献总结如下：
• 为了增强非均匀雾霾分布下的细粒度特征表示和全局一致性建模，我们提出了一种新颖的 DCCR 模块，该模块在柯尔莫哥洛夫-阿诺德网络架构中集成了解耦和协作通道表示机制。
• 我们设计了隐式密集残差模块，通过连续函数映射学习雾霾退化特征并捕获空间细节，从而实现更有效的隐式雾霾建模和更强的退化处理能力。
• 我们在几个公开合成和真实世界雾霾数据集上进行了广泛实验，取得了令人印象深刻的性能，并证明了我们方法的鲁棒性和有效性。
本文其余部分组织如下。在第 2 节中，我们提供了相关工作的全面回顾和总结。随后，第 3 节详细阐述了我们提出的方法。在第 4 节中，我们展示了实验结果并进行了详细分析。最后，第 6 节总结了本文提出的工作。

片段
基于先验的去雾
传统图像去雾方法主要依赖先验知识来估计雾霾厚度或透射率图以恢复清晰图像。一个经典的例子是暗通道先验（DCP）[13]，该方法基于无雾图像的局部区域通常包含低强度像素的统计观察来估计透射率图。该方法取得了显著的去雾性能。随后，诸如颜色衰减先验（CAP）[14] 和非局部
方法论
在我们的去雾网络架构中，在多尺度特征提取之后，首先，特征表示由 DCCR 模块进一步增强。然后，图像细节通过多级特征融合模块逐步恢复。最后，隐式密集残差模块（IDRM）嵌入到图像重建过程中，使用隐式神经表示将雾霾退化特征建模为连续函数，以增强...的鲁棒性和适应性。
实验
在本节中，为了评估所提出方法在去雾网络上的性能，我们进行了一系列定性及定量对比实验。
优势与局限性讨论
在本小节中，我们系统地分析了该方法的优点和局限性，以确保全面评估。就优势而言，我们的方法在处理非均匀雾霾分布方面表现出卓越的鲁棒性，有效地解决了传统方法通常失效的空间变化退化问题。然而，必须承认该方法存在某些局限性；具体而言，其性能在极浓雾霾场景中往往会下降
结论
在本文中，我们提出了一种新颖的图像去雾方法，称为 FM-Dehaze，该方法可在多个公开数据集上取得具有竞争力的视觉结果。首先，为了在异质雾霾分布的细粒度特征表示和全局一致性建模之间取得平衡，我们设计了一种解耦和协作通道表示机制，DCCR，该机制有效增强了模型捕获雾霾空间变化和非局部结构特征的能力
CRediT 作者贡献声明
Shuaibin Fan：原创草稿撰写、验证、软件、方法论。Wenchao Yan：审阅与编辑。Minglong Xue：审阅与编辑、监督、资金获取、概念构思。Shivakumara Palaiahnakote：审阅与编辑、监督、资金获取。Tong Lu：审阅与编辑、监督。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所报告的工作。
致谢
我们衷心感谢审稿人提出的建设性反馈。本工作部分由中国重庆市教育委员会科学技术研究项目（项目编号：KJQN202401106）和重庆市自然科学基金（项目编号：CSTB2026NSCQ-MSX1313）支持。
Shuaibin Fan|Wenchao Yan|Minglong Xue|Shivakumara Palaiahnakote|Tong Lu