摘要

在真实应用场景中，恶劣天气下的鲁棒视觉识别具有重要意义。针对这一问题，本文提出一种新的语义分割模型学习方法，使其对雾天条件具备更强的鲁棒性。该方法的核心思想是将图像的雾化程度视为其“风格”特征，并通过调整语义分割模型的神经风格空间，缩小不同雾度条件下图像之间的风格差异。由于图像的神经风格通常不仅受雾的影响，还受到其他因素干扰，因此我们引入了一个“去雾滤波模块”（fog-pass filter module），用于从风格特征中学习并提取与雾相关的特定成分。通过交替优化该去雾滤波模块与语义分割模型，逐步缩小不同雾度条件下的风格差距，从而实现对雾不变特征（fog-invariant features）的有效学习。实验结果表明，该方法在三个真实雾天图像数据集上显著优于现有方法。此外，该方法在雾天图像和晴朗天气图像上均表现出更优的性能，而现有方法往往在清晰场景下导致性能下降。