【ECCV2022】Perceiving and Modeling Density is All You Need for Image Dehazing

【ECCV2022】Perceiving and Modeling Density is All You Need for Image Dehazing

Perceiving and Modeling Density is All You Need for Image Dehazing

摘要

  在现实世界中，雾天下拍摄的图像的退化情况可能非常复杂，雾气的空间分布在不同图像间差异较大。近期的方法采用深度神经网络直接从模糊图像中恢复干净的场景（scenes）。然而，由于真实捕捉雾霾的变化与当前网络的固定退化参数之间的悖论，近期的去雾方法对真实世界模糊图像的泛化能力并不理想。为了解决建模真是世界雾霾退化的问题，本文提出对不均匀的雾霾分布进行密度的感知和建模。
  本文提出一种新颖的SHA（Separable Hybrid Attention）模块，通过捕获垂直方向的特征编码雾气密度，以实现这一目标。此外，本文提出了密度图来显式建模雾霾的不均匀分布。密度图以半监督的方式生成位置编码——这种雾气密度的感知和建模在特征级别有效地捕获了非均匀分布的退化。通过SHA和密度图的适当组合，本文设计了一种新颖的去雾网络架构，实现了计算复杂性和性能的良好均衡。
  在两种大型数据集上进行的广泛实验表明，本文的方法从定性和定量上都超越了目前SOTA的方法，在Haze4k测试数据集上，将已有的PSNR指标从28.53dB提高到33.49dB，并且在SOTS室内测试数据集上，将37.17dB提高到38.41dB。

1. 前言

  单幅图像去雾目的是从模糊图像生成无雾图像。这是一个经典的图像处理问题，在过去的十年中一直是计算机视觉界的重要研究课题[22_FFANet, 27_CR_dehazing, 2_NTIRE2021_Dehazing_Report, 1_NTIRE2020_Challenge_Dehazing]。许多现实世界的视觉任务（例如，目标检测和自动驾驶）需要高质量的干净图像，而雾霾通常会导致图像质量下降。因此，开发一种有效的算法来恢复无雾图像具有重要意义。
  雾霾是我们日常生活中常见的大气现象。