[论文解读] RESIDE: A Benchmark for Single Image Dehazing.
本文提出了RESIDE，一个大规模的单图像去雾基准数据集，包含五个专业子集的合成与真实世界雾霾图像。该研究采用多种评估指标——包括全参考、无参考、主观评估和任务驱动评估——对当前最先进去雾算法进行评估，揭示了算法的局限性，并为未来研究指明了方向。
In this paper, we present a comprehensive study and evaluation of existing single image dehazing algorithms, using a new large-scale benchmark consisting of both synthetic and real-world hazy images, called REalistic Single Image DEhazing (RESIDE). RESIDE highlights diverse data sources and image contents, and is divided into five subsets, each serving different training or evaluation purposes. We further provide a rich variety of criteria for dehazing algorithm evaluation, ranging from full-reference metrics, to no-reference metrics, to subjective evaluation and the novel task-driven evaluation. Experiments on RESIDE sheds light on the comparisons and limitations of state-of-the-art dehazing algorithms, and suggest promising future directions.
研究动机与目标
- 为解决当前缺乏全面、大规模基准用于评估单图像去雾算法的问题。
- 将多样化的数据源和图像内容统一整合到单一基准中，以提升算法的泛化能力与评估的可靠性。
- 提出一种多维度评估框架，结合全参考、无参考、主观评估和任务驱动指标。
- 通过在真实且多样的雾霾图像上进行系统性评估，识别当前最先进去雾方法的局限性。
- 通过揭示研究空白与有前景的研究方向，为未来去雾算法的发展提供指导。
提出的方法
- 构建RESIDE基准，包含五个独立子集：合成图像、真实世界图像、雾霾程度变化的真实世界图像、场景多样的真实世界图像，以及配有清晰图像对的真实世界图像。
- 整合多种评估标准：全参考指标（如PSNR、SSIM）、无参考指标（如NIQE、BRISQUE）、主观评估，以及新颖的任务驱动评估。
- 使用在不同天气条件和场景下拍摄的真实世界雾霾图像，以确保真实感与多样性。
- 通过基于物理的雾霾模型生成合成雾霾图像，以控制雾霾密度与场景内容。
- 在所有子集中采用标准化的评估协议，确保比较的公平性与可复现性。
- 通过评估去雾结果在下游任务（如目标检测与语义分割）中的表现，引入任务驱动评估。
实验结果
研究问题
- RQ1当前最先进去雾算法在多样化的现实世界与合成雾霾图像分布上的表现如何？
- RQ2无参考指标与全参考指标在多大程度上与人类感知及下游任务表现相关？
- RQ3去雾算法在真实世界数据中对不同雾霾密度与场景类型的变化具有多大泛化能力？
- RQ4在任务驱动与主观评估标准下，当前去雾模型存在哪些局限性？
- RQ5哪些评估指标最能预测真实世界性能与人类偏好？
主要发现
- 当前最先进去雾算法在真实世界雾霾图像上的性能显著低于在合成数据上的表现，表明存在领域差距。
- 无参考指标（如NIQE与BRISQUE）与人类感知的相关性有限，凸显其在评估去雾质量方面的局限性。
- 主观评估显示，即使全参考指标表现不佳，人类观察者仍更偏好结构保留更好的去雾图像。
- 任务驱动评估表明，去雾质量直接影响目标检测与语义分割等下游任务的性能。
- 专为PSNR或SSIM优化的算法往往无法保留细节与纹理，导致输出过度平滑，从而在真实应用中性能下降。
- 本研究指出，亟需开发更鲁棒、更具泛化能力的去雾模型，以在多样评估标准与真实世界条件下均表现良好。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。