作者：J.L. Lisani, J. Navarro, U. Untzilla
机构：Universitat de les Illes Balears
来源会议：2025 IEEE International Conference on Image Processing (ICIP)
会议时间与地点：2025年9月14-17日，美国阿拉斯加州安克雷奇
一、研究动机
1.研究目标
这篇论文要解决的是 单幅图像去雾（single-image dehazing） 问题。也就是说，只输入一张有雾图像，希望恢复其清晰图像。论文首先指出，雾霾会造成光吸收和散射，使图像出现对比度下降、细节丢失等问题；其成像关系通常由经典大气散射模型描述：
大气散射模型
其中：
I(x)：观测到的有雾图像
J(x)：真实无雾图像
t(x)：透射率图（transmission map）
A：全局大气光（atmospheric light）
2.过去方法
论文把去雾方法分成两大类：
（1）先验方法（prior-based）
这类方法不靠大规模训练，而是依赖手工设计的统计先验，比如：
暗通道先验 DCP
饱和度相关先验
颜色分布先验
边界约束等
它们的优点是解释性强、训练成本低，但存在一个问题就是：手工先验通常在复杂真实场景下不总成立。
（2）数据驱动方法
这类方法靠神经网络学习去雾规律。又可分为：
1.监督方法：用成对 hazy/clear 图像训练
2.半监督方法
3.弱监督方法
4.无监督方法
问题在于，真实世界中几乎不可能大量采集"同一场景真实有雾/无雾严格配对"的数据，因此很多方法都用合成雾图训练。但合成雾和真实雾存在分布差异，导致 domain shift（域偏移）：在合成数据上训练得很好，拿到真实雾图时效果变差。
3.本文方法
这篇论文的baseline是2020年的 ZID（Zero-shot Image Dehazing 改进而来。ZID 的思想是：不用外部训练集，只用当前这张输入雾图自己来训练网络，再对它自己去雾。
它把有雾图看作三层纠缠结果：
清晰场景层 J
透射层 t
大气光层 A
然后用三个子网络去解纠缠：
J-Net：估计清晰图像
T-Net：估计透射率图
A-Net：估计大气光
原始 ZID 的优点：
1.不需要训练集
2.不受训练或测试分布不一致的严重影响
3.对真实图像更有潜力。但有工作指出它存在一个明显缺陷：结果会出现颜色失真和伪影。
4.优势以及创新点
1.4 本文的核心创新
作者提出的改进版叫 SZID，核心创新有三点：
创新 1：简化 A-Net
原 ZID 的 A-Net 是 VAE（变分自编码器） 结构，而本文直接把它换成 回归网络 ，输出一个常量颜色图像 A，即整张图的每个像素共享同一个 RGB 大气光值。
这一步很关键，因为从物理模型上看，AAA 本来就是全局大气光，设成全局常量其实更合理。原方法把它建模得过于复杂，反而更容易估计错。
创新 2：去掉原 A-Net 的 hint 训练步骤
原 ZID 中，A-Net 训练要额外用一个从 hazy image 提取出来的hint。SZID 直接删掉了这一步。这意味着结构更简、依赖更少、训练更干净。
创新 3：提出新的颜色约束损失
作者新增了 角度损失 LAngular，目标是保持输入雾图与输出去雾图在颜色方向上的一致性，从而减少颜色漂移。
创新 4：模型大精简
作者报告SZID相比原始ZID参数量减少 95%，同时运行时间也显著下降。
二、算法主要思想与原理详解
SZID的主要架构图
三、实验结果
3.1 数据集
论文用了四类数据：
（1）SOTS
合成有雾数据集，分为：500 张室内500 张室外
（2）I-HAZE
真实室内雾图，共 30 张，用造雾设备生成，同时有清晰真值图。
（3）O-HAZE
真实室外雾图，共 45 张，同样有清晰真值图。
（4）DHQ
250 张真实雾图，没有清晰真值。
额外设置
I-HAZE 和 O-HAZE 为了降低计算成本，被缩放到最大边 1000 像素。
四.定性试验
I-HAZE数据集中单幅图像的结果
I-HAZE数据集中单幅图像的结果
五、消融实验
基于I-HAZE数据集的消融研究
六、结论
1.在合成数据上，SZID 并非最强
2.在真实数据上，它优于大多数只依赖合成训练的学习方法
3.相比原始 ZID，SZID 在颜色自然性、伪影控制、参数量和时间上都有明显改进
一个疑问：
为什么舍弃VAE（变分自编码器）？
优势：回归网络直接输出恒定大气光，参数量少（减少95%），稳定性高，避免颜色伪影；无需采样，推理更快。
联系：两者均用于估计大气光，作为物理模型的输入。
区别：VAE为生成式，输出随输入变化且具随机性；回归网络为判别式，输出单一确定性常数