摘要
近年来，基于学习的图像去雾方法在去雾性能上取得了最先进的成果。然而，大多数现有方法在合成雾化图像上训练去雾模型，由于域偏移（domain shift）问题，这些模型在真实雾化图像上的泛化能力较弱。为解决这一问题，本文提出一种域适应（domain adaptation）范式，该范式包含一个图像翻译模块和两个图像去雾模块。具体而言，我们首先采用双向图像翻译网络，通过在合成域与真实域之间进行图像相互转换，以缩小两者之间的域差距。随后，利用翻译前后的图像，结合一致性约束，联合训练所提出的两个去雾网络。在此阶段，我们通过利用清晰图像的先验特性（如暗通道先验、图像梯度平滑性）将真实雾化图像引入去雾训练过程，从而进一步提升模型的域适应能力。通过端到端地联合训练图像翻译网络与去雾网络，可实现更优的图像翻译效果与去雾性能。在合成数据与真实世界图像上的大量实验结果表明，所提方法在去雾性能上优于当前最先进的算法。