【PSD: Principled Synthetic-to-Real Dehazing Guided by Physical Priors】(个人笔记，勿喷)

最新推荐文章于 2025-08-03 14:18:06 发布

原创

最新推荐文章于 2025-08-03 14:18:06 发布 · 2.5k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#计算机视觉 #人工智能 #python

本文介绍了一种名为PSD的新型图像去雾方法，该方法利用物理先验知识和合成数据进行预训练，然后通过无监督域适应策略将模型推广至真实世界图像。PSD通过引入物理兼容头和大气光估计网络等组件，结合多种图像先验，实现了从合成数据到真实数据的有效迁移。

PSD: Principled Synthetic-to-Real Dehazing Guided by Physical Priors
PSD：由物理先验指导的有原则的合成到真实去雾
在这里插入图片描述
图2. 拟议的PSD框架的概述。我们的模型由一个主干、一个物理兼容的头和一个大气光估计网络（A-net）组成。我们用合成图像对模型进行预训练，然后用合成和真实的朦胧图像对模型进行微调，并由来自几个物理先验的代理损失委员会指导。
2.2.无监督域适应
无监督领域适应旨在解决源域和目标域之间的领域转移，而目标域中的图像是没有标签的。一个主要的想法是通过对分布差异的一些测量进行优化，诱导特征空间中源域和目标域之间的对齐[23, 35, 38]。Hoffman等人[12]通过使用生成性图像空间对齐和潜在表征空间对齐来减少领域差距。 Zou等人[44]提出了一个基于迭代自我训练程序的无监督领域适应框架，其中潜变量的损失是最小的。
预训练。我们首先采用最先进的脱色模型之一作为我们的骨干，因为这些模型在合成数据集上取得了令人印象深刻的性能，并且可以隐含地提供雾霾图像的领域知识。然后，我们将骨干模型修改为基于物理的网络，从单一的朦胧输入I同时生成干净的图像J˜、传输图t˜和大气光A˜。在这个阶段，我们只使用标记的合成数据进行训练，最终得到一个在合成域上预训练的模型。
微调。对于微调，我们利用未标记的真实数据将预训练模型从合成域推广到真实域。受到去雾强大物理背景的启发，我们认为高质量的无雾图像应该遵循一些特定的统计规则，这些规则可以从图像先验中推导出来。此外，单个先验提供的物理知识并不总是可靠的，因此我们的目标是找到多个先验的组合，希望它们可以相互补充。受此启发，我们设计了一个先验损失委员会，作为针对未标记真实数据训练的特定任务代理指导。
此外，我们实现了一种不忘学习（LwF）方法[20]，该方法通过将原始任务的训练数据（即合成模糊图像）与真实模糊数据一起通过网络转发，迫使我们的模型记住合成领域知识。
3.2. Phys