并联卷积神经网络：图像去雾的新策略

本文主要探讨了基于并联卷积神经网络的图像去雾技术在解决雾霾天气下图像质量下降问题的应用。雾霾天气条件下，由于大气中的微粒对光的散射和吸收，导致采集到的图像在对比度、饱和度和色调上受到影响，这对户外视觉系统性能造成了显著影响。传统图像去雾方法主要包括基于图像增强和基于图像复原两大类。 图像增强方法，如Retinex理论，虽然能够增强图像，但不考虑成像过程，可能导致信息损失；而基于物理模型的图像复原方法如Dark Channel Prior (DCP)和Color Attenuation Prior (CAP)，尽管能减少信息缺失，但依赖于先验知识，存在亮度偏暗和天空区域失真的问题。He和Zhu等人的工作虽然有所突破，但仍然有局限性。 随着深度学习在图像处理领域的广泛应用，尤其是卷积神经网络（CNN）在语义分割、目标识别和图像超分辨率重建中的成功，研究者开始将其引入图像去雾领域。例如，Cai等人的DehazeNet通过训练预测传输图，Ren等人的MSCNN则估算了场景透射率，Li等人的CascadedCNN能分别估计大气光值和传输图，但独立估计可能会累积误差。 本文创新之处在于提出了一种并联卷积神经网络（Parallel Convolutional Neural Network, PCNN），它直接利用雾天图像和清晰图像作为训练数据，以提高去雾效果。PCNN的工作流程包括：首先，使用YUV变换的Y、U、V分量构建并联网络，以捕捉雾霾的特征；其次，通过多尺度卷积提取特征并进行重建，同时通过跳跃连接优化网络结构，减少参数，加快训练速度；最后，通过递归双边滤波对去雾后的RGB图像进行后期处理，进一步提升图像的清晰度和自然度。 这种并联架构的优势在于它能够更直观地最大化预测图像与真实无雾图像之间的视觉相似性，从而避免了独立估计带来的误差累积，提供了一种更为精确和有效的图像去雾解决方案。这项研究为解决雾霾天气下的图像去雾问题提供了新的技术路径，有望提升计算机视觉在实际应用中的性能。