基于扩散模型的图像去雾结题报告.docVIP

基于扩散模型的图像去雾结题报告

一、研究背景与问题提出

在计算机视觉领域，图像去雾是一项兼具理论价值与现实意义的基础任务。雾、霾等天气条件会导致大气中悬浮大量微小颗粒，这些颗粒对光线产生散射作用，使得拍摄的图像出现对比度降低、色彩失真、细节模糊等问题。这种退化不仅影响人类视觉体验，更会严重依赖图像信息的智能系统性能，如自动驾驶中的目标检测、安防监控中的人脸识别、遥感图像的土地资源分析等。

传统图像去雾方法主要分为两类：基于物理模型的方法和基于学习的方法。基于物理模型的方法以大气散射模型为基础，通过估计透射率和全局大气光来恢复清晰图像，经典算法包括暗通道先验（DCP）、导向滤波等。这类方法在均匀雾天场景下表现尚可，但面对复杂场景（如非均匀雾、浓雾、大面积天空区域）时，容易出现过增强、颜色偏移、光晕效应等问题。基于学习的方法，尤其是深度学习兴起后，卷积神经网络（CNN）被广泛应用于图像去雾，通过大量成对数据训练端到端模型，直接学习从雾图到清晰图的映射。然而，CNN模型存在固有局限性，如对数据分布的拟合能力有限，在处理极端雾况或训练数据中未覆盖的场景时，泛化能力不足；同时，CNN的局部感受野特性使其难以捕捉长距离依赖关系，导致去雾后图像的全局一致性较差。

近年来，扩散模型（DiffusionModel）在图像生成、修复、超分辨率等任务中展现出强大能力。扩散模型通过模拟正向扩散过程（向清