PANet: A Physics-guided Parametric Augmentation Net for Image Dehazing by Hazing

图像去雾在处理现实世界中的模糊图像时面临挑战。合成和真实世界雾图像之间存在巨大的领域差距，这降低了实际环境下去雾性能。然而，收集用于训练去雾模型的真实世界图像数据集具有挑战性，因为必须在相同条件下捕获模糊和清晰图像对。在本文中，我们提出了一种物理引导的参数增强网络（PANet），它生成逼真的模糊和清晰训练图像对，以有效提高现实世界的去雾性能。PANet包括一个雾-参数映射器（HPM）将模糊图像投影到参数空间中，以及一个参数-雾映射器（PHM）将重新采样的雾参数映射回模糊图像中。在参数空间中，我们可以像素地重新采样单个雾参数图，以生成具有在训练集中看不到的物理可解释的雾条件的多样化模糊图像。我们的实验结果表明，PANet可以增加多样化逼真的模糊图像，以丰富现有的模糊图像基准，从而有效提高最先进的图像去雾模型的性能。

解决问题：本文试图通过提出一种物理引导的参数增强网络（PANet）来生成逼真的雾化和清晰的图像对，以有效地提高现实世界去雾性能。

关键思路：PANet包括一个将雾图像投影到参数空间的Haze-to-Parameter Mapper（HPM）和一个将重新采样的雾参数映射回雾图像的Parameter-to-Haze Mapper（PHM）。在参数空间中，我们可以像素地重新采样单个雾参数图以生成具有物理可解释的雾条件的多样化雾化图像，这些条件在训练集中看不到。这种方法可以有效地增强现实世界去雾性能。

亮点：本文提出了一种新颖的方法来解决现实世界雾化图像的数据获取问题；实验结果表明，PANet可以生成多样化的真实雾化图像，从而有效地提高了现有去雾模型的性能。本文使用了多个数据集进行实验，并在公共数据集上进行了对比实验。此外，本文还提供了开源代码。

相关研究：最近的相关研究包括：《Single Image Dehazing Using Deep Convolutional Neural Networks》、《AOD-Net: All-in-One Dehazing Network》、《DehazeNet: An End-to-End System for Single Image Haze Removal》等。