A Semi-supervised Nighttime Dehazing Baseline with Spatial-Frequency Aware and Realistic Brightness Constraint

现有的基于深度学习的研究已经广泛探讨了白天图像去雾问题。然而，很少有研究考虑到夜间雾霾场景的特点。夜间和白天雾霾之间有两个区别。首先，在夜间场景中可能有多个活跃的彩色光源，其照度强度较低，这可能会导致具有局部、耦合和频率不一致特征的雾霾、发光和噪声。其次，由于模拟数据和真实世界数据之间的域差异，当将在模拟数据上训练的去雾模型应用于真实世界数据时，可能会出现不真实的亮度。为了解决上述两个问题，我们提出了一种用于真实世界夜间去雾的半监督模型。首先，实现了空间注意力和频谱滤波作为空间频率域信息交互模块来处理第一个问题。其次，设计了一种基于伪标签的重新训练策略和局部窗口亮度损失，用于半监督训练过程，以抑制雾霾和发光，并实现真实的亮度。公共基准测试的实验验证了所提出方法的有效性及其优于现有最先进方法。源代码和补充材料放置在https://github.com/Xiaofeng-life/SFSNiD。

解决问题：论文提出了一个半监督模型，用于处理夜间雾霾图像的去雾问题。该模型旨在解决夜间雾霾场景中存在的多个彩色光源和低照度强度等问题，以及模拟数据和真实数据之间的差异导致的亮度失真问题。

关键思路：论文提出了一种空间-频率域信息交互模块，实现了空间注意力和频谱滤波来处理夜间雾霾图像的去雾问题。同时，设计了一种基于伪标签的重新训练策略和局部窗口亮度损失函数，以抑制雾霾和光晕，并实现真实的亮度。

其他亮点：论文在公共基准测试上的实验验证了所提出方法的有效性和优越性，并与现有的最先进方法进行了比较。此外，论文还提供了开源代码和补充材料。

相关研究：近期的相关研究包括白天图像去雾问题的深度学习研究，但是夜间雾霾图像的特征与白天有所不同，因此目前研究较少。