SynFog: A Photo-realistic Synthetic Fog Dataset based on End-to-end Imaging Simulation for Advancing Real-World Defogging in Autonomous Driving

为了推进基于学习的去雾算法的研究，已经开发了各种合成雾数据集。然而，使用大气散射模型（ASM）或实时渲染引擎创建的现有数据集通常难以产生逼真的雾状图像，准确模拟实际成像过程。这种限制阻碍了模型从合成数据到真实数据的有效泛化。在本文中，我们介绍了一个端到端的模拟管道，旨在生成逼真的雾状图像。该管道全面考虑了整个基于物理的雾状场景成像过程，与真实世界的图像捕获方法密切相关。基于这个管道，我们提出了一个名为SynFog的新的合成雾数据集，它具有天空光和主动照明条件，以及三个雾密度级别。实验结果表明，当应用于真实世界的雾状图像时，使用SynFog训练的模型在视觉感知和检测精度方面表现优于其他模型。

该论文旨在解决现有合成雾数据集无法准确模拟实际成像过程，从而限制了从合成数据到真实数据的模型泛化能力的问题。

该论文提出了一种全面考虑物理基础雾场成像过程的端到端模拟管道，从而生成逼真的雾图像。同时，作者还提出了一种新的合成雾数据集SynFog，并展示了在真实世界中应用时，使用SynFog训练的模型在视觉感知和检测准确性方面表现出优异的性能。

该论文的亮点包括：1.提出了一种全面考虑物理基础雾场成像过程的端到端模拟管道；2.提出了一种新的合成雾数据集SynFog，其中包括不同密度的天空光和主动光照条件；3.实验结果表明，使用SynFog训练的模型在真实世界中应用时，表现出优异的性能。

最近在这个领域中，还有一些相关的研究，如：1.《Single Image Dehazing Using Deep Convolutional Neural Networks》；2.《AOD-Net: All-in-One Dehazing Network》；3.《Fast Visibility Restoration from a Single Color or Gray Level Image》等。