RTE-FM-Dehazer: Radiative Transfer Equation Inspired Flow Matching for Real-World Image Dehazing
作者: Chenfeng Wei, Chun Wang, Boyang Zhao, Si Zuo, Shenhong Wang, Chenguang Yang
分类: cs.CV
发布日期: 2026-07-05
💡 一句话要点
提出RTE-FM-Dehazer以解决图像去雾中的残留雾霾问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 图像去雾 辐射传输方程 流匹配 数据集构建 视觉-语言模型
📋 核心要点
- 现有的去雾方法依赖于大气散射模型，常常在假设上不成立，导致去雾效果不佳。
- 提出RTE-FM-Dehazer，利用辐射传输方程考虑散射与吸收，设计扩散-吸收正则化器以优化流匹配过程。
- RTE-FM-Dehazer在P-HAZE数据集上训练，显著消除残留雾霾和颜色漂移，并在多个基准测试中表现优异。
📝 摘要（中文）
单幅图像去雾旨在从模糊图像中恢复清晰场景，通常被视为图像到图像的转换任务。然而，该方法面临两个主要限制：其性能严重依赖于模型中嵌入的雾霾形成先验，而现有方法采用的大气散射模型（ASM）在单一散射和均匀介质的假设上常常不成立，导致残留雾霾和颜色漂移。此外，收集大规模真实雾霾/清晰图像对是不切实际的，现有合成方法无法重现自然雾霾的复杂性。为了解决这些问题，本文提出了一种新颖的去雾方法RTE-FM-Dehazer，并构建了可扩展的数据管道。与ASM不同，辐射传输方程（RTE）同时考虑了散射和吸收，能够自然适应真实雾霾场景的非均匀和多重散射介质。通过引入基于简化RTE的扩散-吸收正则化器，指导流匹配轨迹，RTE-FM-Dehazer在消除残留雾霾和颜色漂移方面表现出色，并在五个真实世界去雾基准测试中取得领先结果。
🔬 方法详解
问题定义：本文旨在解决单幅图像去雾中的残留雾霾和颜色漂移问题。现有方法依赖于大气散射模型（ASM），其假设常常不成立，导致去雾效果不理想。
核心思路：提出RTE-FM-Dehazer，基于辐射传输方程（RTE），同时考虑散射和吸收，适应真实场景的复杂性。通过引入扩散-吸收正则化器，优化流匹配过程，提升去雾效果。
技术框架：整体架构包括数据采集、模型训练和去雾过程。首先，利用现代视觉-语言模型构建自动化数据管道，生成P-HAZE数据集；然后，基于RTE设计去雾模型，最后进行去雾处理。
关键创新：最重要的创新在于引入基于简化RTE的扩散-吸收正则化器，与传统ASM方法相比，能够更好地处理非均匀和多重散射介质。
关键设计：在模型设计中，采用特定的损失函数来平衡去雾效果与图像质量，网络结构则结合了流匹配与扩散-吸收机制，以实现更高效的去雾过程。
🖼️ 关键图片
📊 实验亮点
实验结果表明，RTE-FM-Dehazer在P-HAZE数据集上训练后，成功消除了残留雾霾和颜色漂移，展现出强大的跨域泛化能力。在五个真实世界去雾基准测试中，RTE-FM-Dehazer的表现领先于现有方法，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括无人驾驶、监控视频处理、卫星图像分析等，能够显著提升在恶劣天气条件下的图像质量，具有重要的实际价值和广泛的应用前景。未来，RTE-FM-Dehazer可能推动更多基于物理模型的图像处理技术的发展。
📄 摘要（原文）
Single-image dehazing aims to recover a clear scene from a hazy image and is generally formulated as an image-to-image translation task; however, it faces two limitations. Its performance depends heavily on the haze-formation priors embedded in the model. Prevailing methods adopt the Atmospheric Scattering Model (ASM), whose assumptions of single scattering and homogeneous media are often violated, leading to residual haze and color drift. Moreover, large-scale real hazy/clear pairs are impractical to collect, and existing synthesis approaches fail to reproduce the full complexity of natural haze. To address these issues, we present RTE-FM-Dehazer, a novel dehazing approach, together with a scalable data pipeline. Unlike the ASM, the Radiative Transfer Equation (RTE) jointly accounts for both scattering and absorption, naturally accommodating the non-homogeneous, multiple-scattering media that characterize real hazy scenes. Motivated by the structural similarity between the RTE diffusion-absorption term and the ODE in flow matching, we introduce a diffusion-absorption regularizer derived from a reduced RTE, to steer the flow matching trajectory at each step. Next, leveraging modern vision-language models, we build an automated pipeline and release P-HAZE, a dataset of 50000 realistic hazy/clear pairs. Extensive evaluations demonstrate that RTE-FM-Dehazer, trained solely on P-HAZE, effectively eliminates artifacts like residual haze and color drift, exhibits strong cross-domain generalization, and achieves leading results on five real-world dehazing benchmarks.