摘要

在真实世界中，受雾气影响的图像退化过程极为复杂，不同图像之间雾的空间分布差异显著。近年来，许多方法采用深度神经网络直接从有雾图像中恢复清晰场景。然而，由于真实捕获雾的多样性与现有网络固定退化参数之间的矛盾，当前去雾方法在真实世界有雾图像上的泛化能力仍不理想。为有效建模真实世界中的雾化退化特性，本文提出通过感知与建模雾密度分布来解决该问题。为此，我们设计了一种新颖的可分离混合注意力（Separable Hybrid Attention, SHA）模块，通过捕捉正交方向上的特征，实现对雾密度的有效编码。此外，我们引入了一种密度图（density map），以显式建模雾分布的不均匀性。该密度图采用半监督方式生成位置编码，从而在特征层面有效捕捉非均匀退化特性。通过合理结合SHA模块与密度图，我们构建了一种新型去雾网络架构，在模型复杂度与性能之间实现了良好的平衡。在两个大规模数据集上的大量实验表明，所提方法在定量和定性评价上均显著超越现有所有先进方法：在Haze4k测试集上，PSNR指标从此前最优的28.53 dB提升至33.49 dB；在SOTS室内测试集上，PSNR从37.17 dB提升至38.41 dB，性能提升幅度显著。