夜雾：基于自学先验的夜间图像去雾
内容提要
本文介绍了多种夜间图像去雾和低光增强的方法，包括基于变压器的NightHazeFormer框架、低光图像增强范式及新型合成方法3R。这些研究通过自监督学习和数据扩增技术，显著提升了夜间图像处理效果。
延伸解读
夜间去雾的技术路线多样性
文章汇总了多种夜间图像去雾方法，包括基于Transformer的NightHazeFormer、低光增强范式、3R合成方法等。这些方法从不同角度切入：有的改进网络架构，有的利用自监督预训练，有的通过合成数据解决数据缺乏问题。这种多样性反映了该领域尚未形成统一解决方案，读者需根据具体场景选择合适方法。
合成数据在夜间去雾中的关键作用
由于缺乏大规模真实夜间雾天基准数据集，3R等合成方法通过从白天清晰图像重构夜间模糊图像来生成训练数据。这有助于模型训练，但合成数据与真实场景的域差异可能影响泛化能力。读者应关注合成方法的保真度以及在实际应用中的表现。
自监督预训练提升下游任务性能
文章提到Mix Autoencoder和CMAE等方法通过自监督预训练学习更强视觉表示，在ImageNet等数据集上超越MAE和iBOT。这表明自监督学习在图像去雾等任务中具有潜力，但预训练计算成本较高，且需要大量无标注数据。实际应用中需权衡性能提升与资源消耗。
评估指标与真实场景的差距
多项研究使用PSNR等指标评估去雾效果，如光晕抑制方法PSNR提高14%。然而，PSNR主要衡量像素级差异，可能无法完全反映人眼感知质量。读者在参考这些结果时，应结合视觉评估和实际应用需求，避免过度依赖单一指标。
Q&A
NightHazeFormer框架的主要特点是什么？
NightHazeFormer框架结合了半监督微调策略和先验查询，表现优于现有的夜间去雾方法。
如何提高低光图像的透明度和解释性？
通过自定义的可学习先验和Masked Autoencoder（MAE）的特征表示能力来提高低光图像的透明度和解释性。
3R合成方法的作用是什么？
3R合成方法可以从白天清晰图像重构夜间模糊图像，模拟光线和目标反射，解决缺乏大规模基准数据集的问题。
如何通过自监督学习提升视觉任务表现？
通过基于同源识别的Mix Autoencoder方法进行自监督预训练，可以提升下游视觉任务的表现。
夜间雾天成像模型的主要步骤有哪些？
夜间雾天成像模型包括整体亮度增强、色彩平衡和去除雾效应三个步骤。
光晕抑制和低光增强方法的效果如何？
该方法在真实夜间雾霾图像上评估后，PSNR值提高了14%，有效提高了低光区域的能见度。
