Real-world Image Dehazing with Coherence-based Label Generator and Cooperative Unfolding Network

实际世界图像去雾（RID）旨在减轻实际环境中因雾霾引起的降级问题。由于准确建模真实雾霾分布和成对真实世界数据的稀缺性，这个任务仍然具有挑战性。为了解决这些问题，我们首先介绍了一种协同展开网络，共同建模大气散射和图像场景，有效地将物理知识集成到深度网络中，以恢复受雾污染的细节。此外，我们提出了首个面向RID的迭代平均教师框架，称为基于一致性的标签生成器，用于生成高质量的伪标签进行网络训练。具体而言，我们提供了一个最佳标签池，用于存储网络训练期间的最佳伪标签，利用全局和局部一致性选择高质量的候选项并分配权重以优先考虑无雾区域。我们验证了我们方法的有效性，实验表明它在RID任务上实现了最先进的性能。代码将在\url{https://github.com/cnyvfang/CORUN-Colabator}上提供。

本论文旨在解决现实场景下雾化图像恢复的问题，即Real-world Image Dehazing (RID)。由于准确建模真实雾化分布以及配对真实数据的稀缺性，这个任务仍然具有挑战性。

本文提出了一种合作展开网络，共同建模大气散射和图像场景，有效地将物理知识集成到深度网络中，恢复受雾化污染的细节。此外，提出了第一个RID-oriented迭代平均教师框架，称为基于一致性的标签生成器，以生成高质量的伪标签进行网络训练。

本文的亮点包括：1.提出了一种合作展开网络，将物理知识集成到深度网络中，恢复受雾化污染的细节；2.提出了基于一致性的标签生成器，以生成高质量的伪标签进行网络训练；3.实验结果表明，该方法在RID任务上实现了最先进的性能；4.代码将在GitHub上开源。

在这个领域中，最近的相关研究包括：1.《Single Image Dehazing with Recurrent Convolutional Neural Network》；2.《DehazeNet: An End-to-End System for Single Image Haze Removal》；3.《Fast End-to-End Trainable Guided Filter Based Image Restoration Using Augmented Distorted Pairs》。