ODCR: Orthogonal Decoupling Contrastive Regularization for Unpaired Image Dehazing

本文提出了一种名为正交解耦对比正则化（ODCR）的新型无配对图像去雾（UID）方法，因获取具有相同背景的雾/清晰图像对的挑战而具有重要的研究意义。我们的方法基于这样的假设：图像由影响雾的程度的与雾有关的特征和纹理和语义信息等与雾无关的特征组成。ODCR旨在确保去雾结果的与雾有关的特征与清晰图像的特征非常相似，而与雾无关的特征与输入的有雾图像相一致。为实现这一目标，我们提出了在Stiefel流形上几何优化的正交多层感知器（MLPs），可以将图像特征投影到正交空间中，从而减少不同特征之间的相关性。此外，我们还提出了一种任务驱动的深度特征分类器（DWFC），该分类器以自监督的方式根据每个通道特征对预测特征源是有雾还是清晰的贡献分配权重。最后，我们引入了一种加权PatchNCE（WPNCE）损失，以实现将输出图像中与雾有关的特征拉向清晰图像的特征，同时将与雾无关的特征靠近有雾输入的特征。大量实验证明了我们的ODCR方法在UID上的优越性能。

本文提出了一种新的无配对图像去雾方法，旨在解决获取具有相同背景的雾/清晰图像对的挑战。

本文提出了一种名为正交解耦对比正则化（ODCR）的方法，通过正交的多层感知机和任务驱动的深度特征分类器，将图像特征投影到正交空间中，从而实现去雾结果的雾相关特征与清晰图像的相似性，以及雾无关特征与输入图像的相似性。

本文提出的ODCR方法在无配对图像去雾上表现出优异的性能。作者还进行了大量实验，使用了多个数据集，并开源了代码。该方法还可以应用于其他领域的图像处理任务。

在无配对图像去雾领域，还有一些相关的研究，例如：Single Image Dehazing via Conditional Generative Adversarial Network, Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution等。