来自华中科大和中科院的 CVPR 2020 图像去雾领域新作，从合成图像到真实图像又迈进一步了吗？
论文链接：https://arxiv.org/pdf/2005.04668.pdf
摘要
近年来，使用基于学习的图像去雾方法已取得了 STOA 的性能。然而，现有的大部分方法都是在合成雾图上训练去雾模型，由于 域偏移 (domain shift) (或者说是域间差异)，它们对真实雾图的泛化能力较差。为解决该问题，我们提出了一种 域适应范式 (domain adaptation paradigm)，它由一个图像转换模块和两个图像去雾模块组成。具体而言，首先采用双向变换网络，通过将图像从一个域变换到另一个域，以弥补合成域和真实域之间的差距。然后，使用变换前、后的图像来训练所提出的两个图像去雾网络 (采用一致性约束)。在此阶段，我们通过利用清晰图像的特性 (如暗通道先验和图像梯度平滑) 将真实雾图纳入到去雾训练中，以进一步提升域适应性。通过端到端的方式训练图像变换和去雾网络，可以获得更好的图像变换和去雾效果。对合成图像和现实世界图像的实验结果表明，我们的模型相比于 STOA 去雾算法展现出了良好性能。
图表速览：