CFNIF-DehazeNet：一种用于强鲁棒性单图像去雾的跨尺度反馈神经隐式函数网络

《Scientific Reports》：CFNIF-DehazeNet: cross-scale feedback neural implicit function network for robust single image dehazing

　　

摘要

由于复杂的大气散射、不均匀的雾气分布，以及浓雾条件下结构信息的严重丢失，单图像去雾仍然是一个极具挑战性的问题。尽管最近的深度学习方法已取得显著进展，但大多数现有方法仍存在跨尺度特征不一致、细节纹理丢失，以及由离散像素网格解码带来的重建伪影等问题。为解决这些限制，本文提出了CFNIF-DehazeNet，这是一种分四阶段的渐进式去雾框架，融合了跨尺度反馈单元（CFU）和神经隐函数（NIF）模块。所提出的CFU通过基于差异的特征优化，在相邻的层次化阶段之间建立双向交互，从而实现有效的从粗到细的语义传递以及从细到粗的结构反馈校正，提升跨尺度一致性。此外，NIF模块用基于连续坐标的表示方式替代传统解码器，能够在不考虑分辨率的情况下进行重建，同时减少过度平滑和网格带来的伪影。该网络通过结合像素级重建、结构相似度以及感知损失来进行训练，以此保留全局可见性及局部纹理的真实性。在RESIDE-6K、I-HAZE、O-HAZE和Dense-Haze等基准数据集上的大量实验表明，与现有的最先进去雾方法相比，CFNIF-DehazeNet在定量和定性指标上均表现出更优的性能。实验结果证明了所提出的双向跨尺度优化和连续隐式重建策略在实现稳健的单图像去雾方面的有效性。