计算机应用

作者：景攀峰, 梁宇栋, 李超伟, 郭俊茹, 郭晋育

单位：1.山西大学 计算机与信息技术学院，太原 030006；2.计算智能与中文信息处理教育部重点实验室（山西大学），太原 030006；3.精英数智科技股份有限公司，太原 030012

关键词：图像去雾,深度学习,半监督学习,师生学习,域差异

基金：国家自然科学基金资助项目(61802237);国家自然科学基金资助项目(62272284);山西省基础研究计划项目(202203021221002);山西省基础研究计划项目(202203021211291);山西省自然科学基金资助项目(201901D211176);山西省自然科学基金资助项目(202103021223464);山西省高等学校科技创新项目(2019L0066);山西省科技重大专项(202101020101019);山西省重点研发计划项目(202102070301019);山西省科技

图像去雾是计算机视觉领域的热点话题之一。由于真实世界中大规模高质量的配对数据集的获取存在成本昂贵、实施困难等问题，现有方法通常利用合成数据对深度学习模型进行全监督训练，这可能会导致模型在真实场景下的泛化性能较差。为了解决真实域和合成域之间的域差异问题，提出一种基于师生学习的半监督图像去雾算法。该算法采用一个半监督的师生学习框架，利用指数移动平均（EMA）策略来更新教师模型，并端到端地进行去雾学习，显著地解决了合成数据与真实数据之间的域偏移问题，并提高了模型在真实有雾场景下的泛化性能。实验结果表明，所提算法在2个合成雾霾图像数据集SOTS（Synthetic Objective Testing Set）、Haze4K和真实雾霾图像数据集URHI（Unannotated Real-world Hazy Images）上取得了较好性能，并获得了更好的去雾视觉效果。

来源：2025年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第9期