合成から実世界へ：ラベルなし実データを活用した画像霞消去

単一画像の霞取りは、合成学習データと現実世界のテスト画像との間にあるドメインシフトにより、既存手法の性能が低下するという課題を抱える難易度の高いタスクである。本研究では、ラベルなしの実世界データと協調する新たな画像霞取りフレームワークを提案する。まず、霞の物理モデルに従い、潜在的な霞なし画像、透過度マップ、およびグローバル大気光推定値という3つの成分マップに特徴表現を分離する「分離型画像霞取りネットワーク（DID-Net）」を構築した。DID-Netは、スケール間の特徴を段階的に統合することで3つの成分マップを予測し、各マップに対して独立した精緻化ネットワークを用いて詳細な修正を行う。さらに、ラベルなしの実世界データを活用して性能を向上させるために、「分離型一貫性平均教師ネットワーク（DMT-Net）」を導入した。具体的には、学生ネットワークと教師ネットワークの間で、各分離成分の粗い予測および精緻化結果が一貫性を持つよう、ラベルなしの実世界データに対して一貫性損失を用いて学習を促進する。新しく収集したデータセット（Haze4K）および広く用いられている2つの霞取りデータセット（SOTSおよびHazeRD）に加え、実世界の霞がかった画像に対しても、13の最先端霞取り手法と比較実験を実施した。実験結果から、本手法が既存手法に比べて明確な定量的・定性的な性能向上を示すことが確認された。