C# Onnx C2PNet 图像去雾 室外场景
内容提要
这篇文章介绍了一个基于物理感知的单图去雾模型，使用了Curricular Contrastive Regularization方法。文章提供了模型的GitHub地址和代码，并给出了模型的输入和输出信息。代码使用了Microsoft.ML.OnnxRuntime和OpenCvSharp库。
延伸解读
模型背景与特点
C2PNet 是 CVPR 2023 提出的物理感知单图像去雾模型，采用课程对比正则化方法。该模型针对室外场景训练，输入输出均为动态尺寸，适合处理不同分辨率的图像。
输入输出处理细节
模型输入为 Float[1,3,H,W] 张量，需将图像转换为 RGB 通道并归一化到 [0,1]。输出同样为 Float[1,3,H,W]，需乘以 255 并截断到 [0,255]，再合并通道生成去雾图像。
代码实现要点
示例使用 Microsoft.ML.OnnxRuntime 和 OpenCvSharp 库。推理在 CPU 上进行，通过 SessionOptions 配置。代码包含图像读取、预处理、推理、后处理及保存功能，支持多种图像格式。
性能与适用性
推理耗时通过 DateTime 计算并显示。模型文件名为 c2pnet_outdoor_HxW.onnx，表明针对室外场景且支持动态尺寸。实际部署时需注意模型路径和输入尺寸的匹配。
Q&A
C2PNet模型的主要功能是什么？
C2PNet模型用于单图去雾，能够改善室外场景的图像质量。
如何使用C2PNet模型进行图像去雾？
使用C2PNet模型时，需要将输入图像转换为Float[1, 3, -1, -1]格式的张量，然后通过模型进行推理。
C2PNet模型的输入和输出格式是什么？
C2PNet模型的输入和输出均为Float[1, 3, -1, -1]格式的张量。
C2PNet模型使用了什么技术？
C2PNet模型使用了Curricular Contrastive Regularization方法来增强去雾效果。
如何保存去雾后的图像？
去雾后的图像可以通过SaveFileDialog保存为多种格式，如JPEG、PNG、BMP等。
C2PNet模型的代码在哪里可以找到？
C2PNet模型的代码可以在GitHub上找到，地址是https://github.com/YuZheng9/C2PNet。
