[论文解读] Depth and Reflection Total Variation for Single Image Dehazing

Wei Wang, Chuanjiang He|arXiv (Cornell University)|Jan 22, 2016

Image Enhancement Techniques参考文献 26被引用 5

一句话总结

该论文提出了一种变分去雾方法，结合了Retinex理论与深度感知总变差正则化，从单张雾霾图像中恢复出高对比度、生动的图像。通过将场景建模为反射与深度相关透射率的乘积，并利用总变差强制分段平滑性，该方法在视觉质量方面达到当前最优水平，相比现有单图像去雾技术，显著减少了伪影（如光晕效应）并改善了细节保留效果。

ABSTRACT

Haze removal has been a very challenging problem due to its ill-posedness, which is more ill-posed if the input data is only a single hazy image. In this paper, we present a new approach for removing haze from a single input image. The proposed method combines the model widely used to describe the formation of a haze image with the assumption in Retinex that an image is the product of the illumination and the reflection. We assume that the depth and reflection functions are spatially piecewise smooth in the model, where the total variation is used for the regularization. The proposed model is defined as a constrained optimization problem, which is solved by an alternating minimization scheme and the fast gradient projection algorithm. Some theoretic analyses are given for the proposed model and algorithm. Finally, numerical examples are presented to demonstrate that our method can restore vivid and contrastive hazy images effectively.

研究动机与目标

• 通过整合物理成像模型与Retinex理论，解决单图像去雾问题的病态性。
• 克服以往方法依赖多幅图像、深度图或强先验假设的局限性，这些方法在重度雾霾条件下可能失效。
• 构建一种变分优化框架，利用总变差正则化在深度与反射分量上强制实现空间分段平滑性。
• 实现视觉上自然的去雾效果，显著减少光晕效应，并增强复杂场景（如天空区域与精细纹理）中的细节保留能力。
• 确保对参数变化的鲁棒性，并通过合成数据集上的定量指标验证性能。

提出的方法

• 基于物理成像模型，将雾霾图像建模为大气光与深度相关透射率的组合。
• 应用Retinex假设：观测图像为表面反射与光照的乘积，将场景分解为反射与深度分量。
• 将去雾问题表述为约束优化问题，通过总变差正则化对深度与反射分量进行平滑性约束。
• 采用交替最小化算法交替更新透射率、反射率与深度变量。
• 使用快速梯度投影（FGP）算法高效求解子问题，确保计算效率。
• 引入透射率约束（如 $ t_0 = 0.4 $），以防止过度增强与光晕伪影，提升视觉质量。

实验结果

研究问题

• RQ1 结合Retinex理论与深度感知总变差正则化的变分模型，能否有效恢复单张雾霾图像中的对比度与色彩保真度？
• RQ2 与依赖暗通道或引导滤波等先验的方法相比，通过总变差强制在深度与反射分量上实现分段平滑性，是否能显著提升去雾效果？
• RQ3 所提方法在天空区域与精细细节中，对光晕效应与过度增强伪影的抑制程度如何？
• RQ4 结果对参数选择（如 $ C_0 $, $ eta $, $ eta $）的敏感度如何？该方法在不同场景下是否保持稳定性？
• RQ5 该方法是否能在合成数据集上实现更优的定量性能（如更低的MSE），同时保持出色的视觉质量？

主要发现

• 在包含48张雾霾图像的合成数据集上，所提方法的平均MSE最低（13.87），表明其具有更优的定量性能。
• 视觉结果表明，该方法能有效保留精细细节（如草地、岩石），并在天空区域避免光晕效应，优于HST、NN与GVPB模型。
• 该方法生成的图像更自然，对比度与色彩保真度更均衡，尤其在具有复杂深度变化与天空区域的场景中表现更优。
• 参数敏感性分析显示，该方法具有鲁棒性：$ C_0 $ 与 $ eta $ 的变化对结果影响极小，且 $ eta $ 仅轻微影响亮度。
• 未施加透射率约束的模型（$ t_0 \neq 0.4 $）无法有效去雾，证实该约束在防止过度增强中的关键作用。
• 该方法同样适用于灰度图像，因其独立处理每个通道，展现出良好的泛化能力。