arXiv cs.AI· Rongrong Gao, Jingxuan Feng, Wenyu Xu·· 11 小时前AI 评分18
FreePath：用于图像去雾的神经平均自由程框架
FreePath: Neural Mean Free Path for Image Dehazing
AI 导读
FreePath 提出一种神经平均自由程框架，将去雾建模为特征空间中的路径状态恢复，而非估计大气参数。其 Mean Free Path Residual Block 学习路径场与碰撞场以引导雾约束校正，FreePath State Conservation Integration 在深层特征聚合中保持恢复的路径状态。
正文 · AI 翻译
摘要：单图像去雾需要从被参与介质削弱和遮蔽的视觉响应中恢复场景辐射。现有方法要么反演显式散射变量，这在复杂场景下可能不稳定，要么学习直接恢复映射，而这往往会丢弃雾形成的物理组织。我们提出 \emph{FreePath}，一种用于图像去雾的神经平均自由程框架。FreePath 不估计大气参数，而是将去雾表示为特征空间路径状态恢复，其灵感来自视觉响应在与雾相互作用之前能够传播的期望距离。在残差编码器和解码器内，平均自由程残差块学习路径场和碰撞场以引导雾约束校正，而 FreePath 状态守恒集成在深度特征聚合过程中保持恢复的路径状态。在成对 CDD-11 雾图像和真实 RTTS 场景上的实验表明，FreePath 在代表性去雾基线上持续提升了全参考保真度、无参考感知质量和视觉忠实度。
| 学科： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.07398 [cs.CV] |
| （或 arXiv:2611.07398v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07398 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Rongrong Gao [查看电子邮件]
[v1]
2026年11月5日星期四 03:50:56 UTC（4,615 KB）
来源：arXiv cs.AI · arxiv.org