近日，实验室视觉感知与机器学习团队王永振博士与南京航空航天大学、香港都会大学等高校研究人员合作，揭示了将无监督对比学习范式用于图像去雾任务的有效性及其机理。相关研究成果发表在计算机视觉与图像处理领域国际顶级期刊《IEEE Transactions on Image Processing》（中国科学院一区TOP，CCFA类期刊，影响因子10.6）。王永振博士为论文第一作者，我校为论文第二完成单位。研究工作得到了国家自然科学基金、国防基础科学研究计划、广东省基础与应用基础研究基金和香港研究资助局基金的支持。

（不同方法去雾结果差异）

  雾作为自然界最常见的一种大气现象，通常会导致获取的图像出现模糊、噪声干扰、颜色退化等问题，影响和限制了各种户外视觉系统的性能，如交通监控，自动驾驶，目标追踪等。因此，从雾天图像恢复出原本的清晰图像是关键且必要的。基于深度学习的方法是当前图像去雾领域的主流方法，这些方法通常采用监督学习框架，基于成对（有雾/清晰）数据进行训练，从输入的雾天图像恢复相应清晰图像。但在真实场景中，这些成对数据的获取极其困难，甚至无法获得，一些方法通过使用物理退化模型或图像处理软件在清晰图像上合成含雾图像，以此来组成配对数据。然而，在“假”合成数据上训练的模型会因为合成数据与真实图像间存在的差异（域间隙），导致网络在真实场景下复原能力降低。

（UCL-Dehaze模型整体框架图）

（UCL-Dehaze与其它22种去雾方法在SOTS和HSTS数据集上定量比较）

（UCL-Dehaze与其它方法在HSTS数据集上的去雾视觉效果比较）

本研究提出一种基于无监督对比学习范式的图像去雾方法UCL-Dehaze，构建了逐片（Patch-wise）和逐像素（Pixel-wise）两个尺度的对比学习框架，其中逐片对比学习实现了一种新的无监督训练方式，逐像素对比学习能从训练数据中挖掘出更多对模型有益的特征信息，从而进一步增强模型去雾性能。相比于传统基于合成数据训练的去雾方法，UCL-Dehaze克服了合成数据与真实数据间的域偏移（Domain Adaptation）问题，能够在真实场景下取得更好的去雾结果，研究成果在户外监控、自动驾驶等多个关键领域中获得应用。

论文链接：https://ieeexplore.ieee.org/document/10431709

（撰稿：王永振 刘恒 审核：骆国润 吴宣够 韩军书）