摘要

考虑到去雾问题的不适定性，对比正则化方法已被引入单张图像去雾任务中，通过引入负样本图像的信息作为下界约束。然而，现有方法中的对比样本存在非一致性问题：负样本通常与清晰图像（即正样本）在特征空间中相距较远，导致解空间仍缺乏充分约束。此外，当前深度去雾模型在物理去雾过程机理方面的可解释性研究仍显不足。本文提出一种新型的课程化对比正则化方法，旨在构建一个一致性的对比空间，而非非一致性的对比空间。所采用的负样本能够更好地提供下界约束，其来源包括：1）原始的雾天图像本身；2）其他现有方法对该图像的恢复结果。由于清晰图像与各类负样本之间的嵌入相似性存在差异，各组件的学习难度呈现内在不平衡性。为此，我们设计了一种定制化的课程学习策略，动态调整不同负样本的重要性权重，以实现更有效的学习过程。此外，为增强特征空间中的可解释性，我们基于大气散射模型构建了一个物理感知的双分支单元。结合该物理感知单元与课程化对比正则化机制，我们提出了一种新的去雾网络——C2PNet。大量实验结果表明，C2PNet在多个主流数据集上显著优于当前最先进的方法，在SOTS-indoor和SOTS-outdoor数据集上分别实现了3.94dB和1.50dB的PSNR大幅提升。