[论文解读] Haze Visibility Enhancement: A Survey and Quantitative Benchmarking

Yu Li, Shaodi You+2 more|arXiv (Cornell University)|Jul 21, 2016

Image Enhancement Techniques被引用 17

一句话总结

本文对单张图像去雾方法进行了全面的综述与定量基准测试，利用一种新型的合成数据集（包含物理准确性的真实值）评估了其性能。结果表明，基于学习的方法（如 Fattal (2014) 和 Berman (2016)）优于其他方法，而暗通道先验在浓雾条件下表现出极强的鲁棒性，但伽马校正与相机非线性仍是影响物理保真度的关键挑战。

ABSTRACT

This paper provides a comprehensive survey of methods dealing with visibility enhancement of images taken in hazy or foggy scenes. The survey begins with discussing the optical models of atmospheric scattering media and image formation. This is followed by a survey of existing methods, which are grouped to multiple image methods, polarizing filters based methods, methods with known depth, and single-image methods. We also provide a benchmark of a number of well known single-image methods, based on a recent dataset provided by Fattal and our newly generated scattering media dataset that contains ground truth images for quantitative evaluation. To our knowledge, this is the first benchmark using numerical metrics to evaluate dehazing techniques. This benchmark allows us to objectively compare the results of existing methods and to better identify the strengths and limitations of each method.

研究动机与目标

• 系统性地综述能见度增强技术在有雾和有雾场景中的应用，涵盖多图像、偏振滤波器、已知深度和单图像方法。
• 通过引入具有真实值图像的基准，解决去雾领域中缺乏定量评估的问题，以实现客观比较。
• 生成一个新的基于物理的合成数据集，包含真实值的清晰图像和不同雾度水平，以支持可靠的定量评估。
• 使用数值指标在 Fattal 的数据集和新基准上评估主流单图像去雾方法的性能。
• 识别现有方法的优势、局限性以及实际应用中的权衡，尤其关注鲁棒性与物理合理性。

提出的方法

• 以大气散射模型（I = J * t + A * (1 - t)）为基础，用于模拟雾霾退化过程，其中 J 为场景辐射度，t 为透射率，A 为大气光。
• 采用 Fattal 的数据集 [1]，并通过基于物理的渲染技术生成新的合成散射介质数据集，以模拟具有已知真实值的空间变化雾霾。
• 应用定量指标（如平均绝对差 MAD）将去雾结果与真实值清晰图像进行比较。
• 评估了 12 种具有代表性的单图像去雾方法，包括暗通道先验（He 等）、Fattal (2008)、Berman (2016) 以及基于学习的方法（Tang 等、Cai 等）。
• 在评估流程中引入色调映射与伽马校正的考量，以评估其对物理保真度的影响。
• 采用基准框架，在控制条件下（不同雾度密度）实现方法间客观、可复现的比较。

实验结果

研究问题

• RQ1 在受控的、基于物理模拟的雾霾条件下，使用真实值图像评估时，不同去雾方法的定量表现如何？
• RQ2 在不同雾度密度下，基于先验的方法（如暗通道先验）与基于学习的方法在去雾中的相对优势与劣势是什么？
• RQ3 伽马校正或相机非线性在多大程度上影响去雾结果的物理准确性？应如何正确处理？
• RQ4 在何种雾度密度水平下，由于大气光过强且透射率过低，导致场景反射率无法恢复？
• RQ5 是否可以通过具有真实值的标准化基准，提升未来去雾算法的评估与开发？

主要发现

• 基准测试结果表明，Fattal (2014) 和 Berman (2016) 在大多数测试图像上均取得最低的平均绝对差（MAD）值，其中 Fattal (2014) 在 Flower2 图像上记录到最小的 MAD 值 0.015。
• 暗通道先验（He 等，2009）在浓雾条件下表现尤为出色，在 Church 图像上取得最低 MAD 值 0.036，在 Mansion 图像上为 0.034。
• 基于学习的方法（如 Tang 等，2014 和 Cai 等，2016）表现强劲，但其结果对白平衡敏感，导致在真实应用场景中鲁棒性下降。
• Tarel (2009) 和 Ancuti (2013) 等方法的 MAD 值较高（如 Church 图像上分别为 0.173 和 0.188），表明其重建保真度较差。
• 研究证实，透射率估计与大气光估计是关键组件，且平滑性约束可显著提升结果质量。
• 分析表明，在浓雾中，透射率降至 0.1 以下，导致场景反射率被大气光严重掩盖，使得恢复变得愈发困难且受物理限制。