Dehaze-GaussianImage: Zero-Shot Dehazing via Efficient 2D Gaussian Splatting Representation
作者: Yuhan Chen, Wenxuan Yu, Guofa Li, Kunyang Huang, Ying Fang, Yicui Shi, Wenbo Chu, Keqiang Li
分类: cs.CV
发布日期: 2026-06-15
💡 一句话要点
提出Dehaze-GaussianImage以解决图像去雾问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 图像去雾 高斯表示 无监督学习 计算机视觉 深度学习
📋 核心要点
- 现有的去雾方法在像素级优化中存在计算冗余，且隐式神经网络缺乏物理可解释性，限制了性能。
- 本文提出Dehaze-GaussianImage框架，通过引入二维高斯点云，动态建模模糊图像，打破传统处理方式。
- 实验结果显示，该方法在无监督条件下实现了最先进的性能，参数量极少，展示了高斯表示的潜力。
📝 摘要（中文）
现有的单幅图像去雾方法常受到像素级优化的计算冗余和隐式神经网络缺乏物理可解释性的限制，影响了表示效率与重建保真度的平衡。为了解决这些问题，本文提出了Dehaze-GaussianImage，这是第一个将二维高斯点云（2DGS）引入图像去雾领域的零-shot框架，打破了传统的像素网格处理范式。该方法将模糊图像建模为连续且动态可演化的各向异性高斯场，并提出了一种新的重建解耦零-shot学习策略，将大气散射模型嵌入高斯参数空间。实验结果表明，该方法在完全无监督的情况下实现了最先进的性能，突显了显式高斯表示在低级视觉任务中的潜力。
🔬 方法详解
问题定义：本文旨在解决现有单幅图像去雾方法在计算效率和物理可解释性方面的不足，尤其是像素级优化的冗余和隐式模型的局限性。
核心思路：论文提出的核心思路是将模糊图像视为动态演化的各向异性高斯场，通过引入二维高斯点云来实现去雾，打破传统的像素网格处理方式。
技术框架：整体架构包括高斯参数空间的构建、重建解耦策略的实施，以及大气散射模型的嵌入。主要模块包括高斯原语的自适应分裂、克隆和修剪。
关键创新：最重要的技术创新在于提出了重建解耦的零-shot学习策略，能够在优化过程中实现传输介质与清晰纹理的几何级别解耦，这与现有方法的静态卷积网络或Transformer有本质区别。
关键设计：在参数设置上，采用显式结构保持约束以抑制传统物理先验常见的伪影，损失函数设计上注重重建质量与物理一致性，确保高斯场的有效性与稳定性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，Dehaze-GaussianImage在无监督条件下实现了最先进的性能，相较于传统方法，去雾效果提升显著，具体性能数据未提供，但强调了其在低级视觉任务中的优势。
🎯 应用场景
该研究的潜在应用领域包括图像处理、计算机视觉和自动驾驶等场景，能够有效提升图像质量和视觉效果。未来，该方法可能在低级视觉任务中发挥更大作用，推动相关技术的发展与应用。
📄 摘要（原文）
Existing single image dehazing methods are often constrained by computational redundancy in pixel-level optimization and the lack of physical interpretability in implicit neural networks. These limitations hinder the balance between representation efficiency and reconstruction fidelity. To address these issues, we propose Dehaze-GaussianImage, the first zero-shot framework that introduces 2D Gaussian Splatting (2DGS) into the image dehazing domain to break the traditional pixel-grid processing paradigm. Distinct from static convolutional neural networks (CNNs) or Transformers, our approach models hazy images as continuous and dynamically evolvable anisotropic Gaussian fields. Specifically, we propose a novel reconstruction-decoupling zero-shot learning strategy that embeds the atmospheric scattering model into the Gaussian parameter space. This strategy drives Gaussian primitives to adaptively split, clone, and prune during optimization, achieving geometric-level decoupling of the transmission medium and clear textures. Furthermore, explicit structure-preserving constraints are introduced to suppress artifacts commonly caused by traditional physical priors. Experimental results demonstrate that the proposed method achieves state-of-the-art (SOTA) performance in a fully unsupervised manner with minimal parameters, highlighting the potential of explicit Gaussian representation for low-level vision tasks.