[论文解读] Pyramid Fusion Dark Channel Prior for Single Image Dehazing

Qiyuan Liang, Bin Zhu+1 more|arXiv (Cornell University)|May 21, 2021

Image Enhancement Techniques参考文献 22被引用 4

一句话总结

本文提出金字塔融合暗通道先验（PF-DCP），一种增强的单图像去雾方法，通过使用加权融合策略在多尺度图像上融合透射图，改进了传统的暗通道先验（DCP）。通过消除对手动补丁大小选择的需求并减少光晕伪影，PF-DCP 在传统方法中达到最先进性能，并与深度学习方法相当，在 RESIDE SOTS 数据集上取得 PSNR 23.07 和 SSIM 0.91 的结果。

ABSTRACT

In this paper, we propose the pyramid fusion dark channel prior (PF-DCP) for single image dehazing. Based on the well-known Dark Channel Prior (DCP), we introduce an easy yet effective approach PF-DCP by employing the DCP algorithm at a pyramid of multi-scale images to alleviate the problem of patch size selection. In this case, we obtain the final transmission map by fusing transmission maps at each level to recover a high-quality haze-free image. Experiments on RESIDE SOTS show that PF-DCP not only outperforms the traditional prior-based methods with a large margin but also achieves comparable or even better results of state-of-art deep learning approaches. Furthermore, the visual quality is also greatly improved with much fewer color distortions and halo artifacts.

研究动机与目标

• 解决暗通道先验（DCP）中补丁大小选择这一关键限制，该限制影响透射图的准确性与去雾质量。
• 通过利用多尺度图像金字塔提升传统去雾方法的鲁棒性与性能。
• 通过加权融合策略减少基于 DCP 方法中常见的色彩失真与光晕伪影。
• 在无需大规模训练且不损失可解释性的情况下，实现与深度学习模型相当的性能。
• 为现实世界去雾应用提供一种计算效率高、可解释性强且鲁棒的黑箱深度学习模型替代方案。

提出的方法

• 从输入的雾霾图像构建多尺度图像金字塔，以捕捉不同分辨率下的特征。
• 在每个金字塔层级独立应用暗通道先验（DCP）以计算透射图。
• 使用迭代加权融合策略，结合来自不同尺度的透射图，融合权重根据场景类型（室内/室外）进行优化。
• 利用融合后的透射图与标准大气散射模型，估计大气光并恢复无雾图像。
• 采用固定融合权重比：室内场景为 4:1，室外场景为 80:1，该比例基于在 RESIDE 训练集上的经验评估得出。
• 通过多尺度融合保留高频细节，维持图像锐度并减少伪影。

实验结果

研究问题

• RQ1 多尺度透射图融合能否提升暗通道先验在单图像去雾中的准确性与鲁棒性？
• RQ2 补丁大小的选择如何影响 DCP 的性能？这种依赖性能否通过多尺度融合消除？
• RQ3 像 PF-DCP 这类传统非深度学习方法在多大程度上可匹配或超越近期基于深度学习的去雾模型性能？
• RQ4 与原始 DCP 相比，所提出的加权融合策略是否能有效减少光晕伪影与色彩失真？
• RQ5 PF-DCP 是否能在计算开销极低且无需大规模训练数据的情况下实现高质量去雾？

主要发现

• 在 RESIDE SOTS 基准测试中，PF-DCP 取得 PSNR 23.07 和 SSIM 0.91，优于传统基于先验的方法（如 DCP、BCCR、CAP 和 NLD）。
• 该方法显著减少了光晕伪影与色彩失真，使去雾图像在视觉上更加自然、悦目，优于原始 DCP。
• 尽管是不可训练且可解释的方法，PF-DCP 的性能可与最先进的深度学习模型（如 GFN 和 EPDN）相媲美。
• 室内场景 4:1 和室外场景 80:1 的融合权重比取得最优性能，表明融合策略对场景具有敏感性。
• 与 DCP 相比，PF-DCP 的计算成本平均仅增加 30%，使其在实时应用中高效且实用。
• PF-DCP 保持了高图像锐度与细节保留能力，避免了众多基于先验与深度学习去雾方法中常见的模糊现象。