RSHazeDiff: A Unified Fourier-aware Diffusion Model for Remote Sensing Image Dehazing

雾霾严重降低了遥感图像的视觉质量，影响了汽车导航、智能监控和城市管理的性能。新兴的去噪扩散概率模型（DDPM）具有强大的生成能力，对于浓雾去除具有显著的潜力。由于遥感图像包含大量的小尺度纹理结构，因此有效地从有雾图像中恢复图像细节非常重要。然而，当前的DDPM智慧无法很好地保留图像细节和色彩保真度，限制了它对于遥感图像的去雾能力。本文提出了一种新的统一的傅里叶感知扩散模型，用于遥感图像去雾，称为RSHazeDiff。从新的角度出发，RSHazeDiff探索了条件DDPM，以改善在浓雾情况下的图像质量，并做出了三个关键贡献。首先，RSHazeDiff通过以粗到细的方式进行噪声估计和重建约束，改善了DDPM简单噪声估计约束导致的不良结果。其次，通过在迭代采样步骤中将频率信息作为重要的先验知识，RSHazeDiff可以在去雾图像中保留更多的纹理细节和色彩保真度。第三，我们设计了一个全局补偿学习模块，利用傅里叶变换捕捉输入图像的全局依赖特征，可以有效地缓解处理固定大小的补丁时边界伪影的影响。在合成和真实世界基准测试中的实验验证了RSHazeDiff比多种最先进的方法具有更好的性能。源代码将在https://github.com/jm-xiong/RSHazeDiff上发布。

本论文旨在解决遥感图像去雾问题，提出了一种新的基于傅里叶的扩散模型RSHazeDiff。

RSHazeDiff从新的角度探索了条件DDPM，通过噪声估计和重建约束的粗到细的方法，改进了扩散过程的训练阶段，同时通过在迭代采样步骤中将频率信息作为重要先验知识，可以在去雾过程中保留更多的纹理细节和色彩保真度。

论文设计了一个全局补偿学习模块，利用傅里叶变换捕捉输入图像的全局依赖特征，可以有效地缓解处理固定大小补丁时的边界伪影效应。实验结果验证了RSHazeDiff在合成和实际数据集上的优越性能，源代码已经开源。

在遥感图像去雾领域，最近的相关研究包括：Deep Haze Removal for Remote Sensing Images via a Multi-Scale Fusion Network, Multi-branch Residual Network for Single Image Dehazing, A Novel Fusion Network for Single Image Dehazing等。