双向特征解耦翻译网络用于无监督图像去雾
来源：计算机工程与应用杂志2026年第7期北京时间：
作者：易伟超, 董立泉, 刘明
单位：北京理工大学 光电学院，北京 100081；
摘要：近年来，基于深度学习的去雾方法通过对合成配对数据进行有监督训练，取得了显著的去雾效果。然而，合成数据与真实有雾场景之间存在的巨大域差距限制了模型的泛化能力，使得去雾模型在真实有雾场景下的表现不尽如人意。为此，提出了一种无监督去雾方法，称为双向特征解耦翻译网络（bidirectional feature disentangled translation network，BFDT-Net），将图像去雾视为特征解缠任务，从清洁因子中分离内容相关信息，同时从模糊因子中提取雾相关信息。具体而言，构建了一个双分支特征解缠框架，以学习不同特征分布。其中，内容恢复分支（content recovery branch，CRB）专注于提取清晰的内容信息，而参数估计分支（parameter estimation branch，PEB）则负责提取雾相关特征。此外，通过结合大气散射模型（atmospheric scattering model，ASM）的正向去雾与反向加雾的范式，建立了雾霾循环一致性，从而使BFDT-Net仅依赖有雾图像本身即可进行训练优化。大量的基准数据集实验结果表明，所提出的BFDT-Net的去雾性能优于现有的去雾方法。
关键词：图像去雾,特征解耦,双分支结构,深度学习
基金资助：国家自然科学基金（U1804261）；国家重点研发计划（2020YFB20019003，2020YFB2009304）；JCJQ项目（2019-JCJQ-ZD254）。
