引言

图像去雾（Image Dehazing）和去雪（Image Desnowing）是计算机视觉中重要的图像恢复任务，旨在从恶劣天气条件下捕获的退化图像中恢复清晰场景。随着深度学习技术的发展，这两个领域在过去几年取得了显著进展。 本文主要给出图像去雾去雪算法的一些发展历程，算法进展，并结合最新的算法进行方向分析。

---

去雾算法发展历程

阶段一：传统物理先验方法（2009-2015）

核心思想： 基于大气散射模型和手工设计的图像先验

大气散射模型：

I(x) = J(x) × t(x) + A × (1 - t(x))

• I(x): 观测到的有雾图像

• J(x): 清晰无雾图像（目标）

• t(x): 透射率（transmission map）

• A: 大气光（atmospheric light）

简单说：雾照片 = 清晰照片 × 透射率 + 雾的颜色 × (1-透射率)

随着自动驾驶、智能监控及遥感技术的快速进步，图像清晰度与准确性已成为这些领域的关键需求；然而，雾、烟等恶劣天气条件会严重降低图像质量，制约相关技术的实际应用效果，因此实时图像去雾技术应运而生——该技术能够显著提升图像可见度，有效降低因视线受阻而导致的安全风险。

传统的图像去雾方法依赖于复杂的物理模型和算法，往往难以在实时应用中发挥作用。近年来，深度学习技术的发展为图像去雾带来了新的可能，但许多深度学习算法由于模型庞大，难以实现实时处理。此外，一些基于K(x)的快速去雾网络如AOD-Net，虽然在速度上有所提升，却在去雾效果上不尽如人意。

代表算法：

算法	年份	核心创新	局限性
DCP (Dark Channel Prior)	2009	暗通道先验：无雾图像局部区域存在暗像素	天空区域失效，颜色过饱和
CAP (Color Attenuation Prior)	2015	基于颜色衰减的线性模型	对浓雾场景效果差
NLD (Non-local Dehazing)	2013	非局部先验去雾	计算复杂度高
BCCR (Boundary Constrained Context Regularization)	2015	边界约束上下文正则化	参数敏感

性能表现（SOTS数据集）：

• DCP: PSNR 20.15 dB, SSIM 0.872

• CAP: PSNR 19.05 dB, SSIM 0.836

---

阶段二：早期深度学习方法（2016-2019）

核心思想： 端到端CNN学习，直接映射雾图到清晰图

代表算法：

算法	年份	核心架构	创新点	性能(SOTS-indoor)
DehazeNet	2016	CNN	首个端到端去雾CNN，学习透射率估计	PSNR 21.14, SSIM 0.847
MSCNN	2016	多尺度CNN	粗到细估计透射率	-
AOD-Net	2017	轻量CNN	直接估计清晰图像，Kaiming He参与	PSNR 19.04, SSIM 0.850
GFN (Gated Fusion Network)	2018	多尺度融合	白平衡与对比度增强融合	PSNR 22.3, SSIM 0.88
DCPDN	2018	双路径网络	分别估计透射率和大气光	-

技术特点：

• 摒弃手工先验，完全数据驱动

• 参数化大气散射模型或直接端到端映射

• 依赖大规模合成数据集训练

---

阶段三：注意力机制与多尺度融合（2020-2022）

核心思想： 引入注意力机制，多尺度特征融合，提升细节恢复能力

代表算法：

算法	年份	会议/期刊	核心创新	性能(SOTS-indoor)
GridDehazeNet	2020	ICCV	网格网络+注意力机制，避免多尺度瓶颈	PSNR 32.16, SSIM 0.9836
FFA-Net	2020	AAAI	特征融合注意力网络，保持特征复用	PSNR 36.39, SSIM 0.9886
MSBDN	2020	CVPR	多尺度增强+密集特征融合+SOS boosting	-
AECR-Net	2021	CVPR	对比学习+边缘保持	-
PSD (Principled Synthetic-to-real Dehazing)	2021	CVPR	物理引导的合成到真实域适应	-
4KDehazing	2021	CVPR	针对4K分辨率优化	-

技术突破：

• FFA-Net 成为该阶段SOTA，PSNR突破36dB

• 注意力机制（通道注意力、空间注意力、像素注意力）广泛应用

• 开始关注真实场景泛化问题

---

阶段四：Transformer架构（2022-2024）

核心思想： 利用自注意力机制建模全局依赖，处理长距离信息

代表算法：

算法	年份	会议	核心特点	性能(RS-Haze)
TransWeather	2022	CVPR	首个统一处理雨/雪/雾的Transformer，天气类型查询机制	PSNR 31.76, SSIM 0.93
Restormer	2022	CVPR	高效Transformer，通道维度自注意力，降低计算复杂度	PSNR 36.72, SSIM 0.9514
Uformer	2022	CVPR	U型Transformer架构，结合局部与全局建模	-
DehazeFormer	2022	-	针对去雾优化的Swin Transformer变体	PSNR 39.62, SSIM 0.9595
RSDformer	2023	-	遥感图像去雾Transformer	PSNR 37.07, SSIM 0.9575

技术优势：

• 全局感受野，捕获长距离依赖

• 多天气统一处理（TransWeather）

• 计算效率优化（Restormer在通道维度做注意力）

---

阶段五：扩散模型与生成式方法（2023-至今）

核心思想： 利用扩散模型强大的生成先验，结合物理约束引导恢复

代表算法：

算法	年份	会议	核心创新	特点
WeatherDiff	2023	TPAMI	扩散模型处理多种天气退化	生成质量高，速度慢
DiffDehaze	2025	CVPR	两阶段：HazeGen生成逼真雾图 + AccSamp加速采样	解决扩散模型速度慢问题
Reti-Diff	2025	ICLR	基于Retinex理论的潜在扩散模型	联合处理低光照与雾
Visual-Instructed Degradation Diffusion	2025	CVPR	视觉指令引导的统一图像恢复	文本引导恢复
T3-DiffWeather	2023	-	三重Transformer+扩散模型	时序一致性

技术挑战与解决方案：

• 挑战： 扩散模型采样速度慢（需要1000步迭代）

• 方案： AccSamp加速采样，潜在空间扩散（LDM）

---

去雪算法发展历程

阶段一：早期深度学习方法（2018-2020）

核心思想： 多阶段网络分别处理不同属性的雪粒

雪粒特性：

• 大小不一（从像素点到较大雪花）

• 透明度不同（透明/半透明/不透明）

• 形状不规则

• 可能伴随雪雾（veil effect）

代表算法：

算法	年份	核心创新	性能(CSD数据集)
DesnowNet	2018	首个深度学习去雪网络，多阶段处理透明/不透明雪块	PSNR 20.13, SSIM 0.81
JSTASR	2020	联合尺寸与透明度感知，改进部分卷积	PSNR 27.96, SSIM 0.88
MS-SDN	2019	多尺度堆叠密集连接网络	-
SnowMask	2019	雪掩码估计+图像恢复两阶段	-

---

阶段二：多尺度与语义引导（2020-2022）

核心思想： 引入语义分割和深度估计作为先验，多尺度特征融合

代表算法：

算法	年份	核心创新	性能(CSD)
DDMSNet	2021	深度密集多尺度网络+语义/深度先验	PSNR 31.93, SSIM 0.95
HDCWNet	2021	分层双树复小波表示+冲突通道损失	PSNR 29.06, SSIM 0.91
SMGARN	2022	自像素与交叉像素注意力引导的雪掩码	PSNR 31.93, SSIM 0.95
DesnowGAN	2021	跨分辨率横向连接+GAN	-

---

阶段三：统一天气处理与Transformer（2022-2024）

核心思想： 单一模型处理多种天气退化（雨/雪/雾）

代表算法：

算法	年份	会议	核心特点	性能(CSD)
TransWeather	2022	CVPR	统一Transformer处理雨/雪/雾	PSNR 31.76, SSIM 0.93
All-in-One	2022	CVPR	多编码器架构	-
PromptIR	2023	NeurIPS	提示学习引导恢复	-
WeatherFormer	2023	-	天气感知Transformer	-

---

阶段四：专业化与生成式方法（2024-至今）

突破性进展：

算法	年份	会议	核心创新	性能(CSD)
MF-ViT	2025	-	首次引入分数阶微分建模雪粒分形特征	PSNR 40.08, SSIM 0.99
SnowMaster	2025	CVPR	MLLM多模型反馈，半监督学习	-
DUNet	2025	TCSVT	深度展开网络+雪形先验	-
SemiVDN	2024	-	半监督视频去雪+时序解耦专家	-
Star-Net	2025	-	星型跳跃连接+多阶段交互Transformer	-

MF-ViT突破性技术：

• 首次将分数阶微分（Fractional Calculus）引入去雪任务

• 建模雪粒的分形特征（Fractal Characteristics）

• 在ViT中嵌入多分数阶微分算子（频域乘子实现）

• CSD数据集PSNR达到40.08dB，超越之前SOTA约1.7dB

---

2024-2025年最新算法详解

去雾领域SOTA算法

1. RouteWinFormer (2025)

• 核心创新： 路由窗口Transformer，结合局部与全局建模

• 性能表现：

  • CSD去雪：PSNR 40.08 dB, SSIM 0.99

  • Haze4K去雾：领先现有方法

  • 去模糊、去噪等任务均达SOTA

• 技术特点： 自适应窗口划分，动态路由机制

2. Fourier-RWKV (2025)

• 核心创新： 多状态感知网络，线性复杂度

• 三大感知状态：

  1. 空间感知： 可变形四向Token移位（DQ-Shift）

  2. 频域感知： 傅里叶混合块，将RWKV扩展到频域

  3. 语义感知： 语义桥模块（SBM）对齐编解码器特征

• 优势： 线性复杂度O(n)，兼顾全局建模与计算效率

3. UDPNet (2026)

• 核心创新： 利用DepthAnything V2深度估计模型提供深度先验

• 关键模块：

  • DGAM（深度引导注意力模块）：轻量级深度引导通道注意力

  • DPFM（深度先验融合模块）：滑动窗口多头交叉注意力

• 性能提升：

  • SOTS-indoor: +0.85 dB

  • Haze4K: +1.19 dB

  • NHR（真实夜间雾）: +1.79 dB

4. BiLaLoRA (2026)

• 核心创新： 双层LoRA参数高效微调策略

• 技术特点：

  • 雾到清晰文本引导损失： 利用CLIP跨模态能力，将去雾转化为潜在空间语义对齐问题

  • 自动层定位： 自动搜索关键网络层进行LoRA注入

• 优势： 适用于真实场景无监督适应，无需重新训练整个模型

5. UHDPromer (2026)

• 核心创新： 神经判别提示Transformer（Neural Discrimination-Prompted Transformer）

• 关键观察： 高分辨率与低分辨率特征间存在神经差异，利用这种差异可促进低分辨率特征表示

• 应用： 超高清（UHD）图像恢复与增强

• 任务： 低光照增强、去雾、去模糊

---

去雪领域SOTA算法

1. MF-ViT (2025) ⭐ 重大突破

• 核心创新： 分数阶微分建模雪粒分形特征

• 技术细节：

  • 雪粒具有分形几何特性（自相似性、尺度不变性）

  • 传统整数阶微分无法很好描述

  • 引入分数阶微分算子（0.5阶、1.5阶等）

  • 在频域通过乘子实现分数阶微分

• 网络架构：

  • 卷积网络生成Token

  • ViT处理特征

  • 多分数阶微分算子嵌入

• 性能：

  • Snow100K-S: PSNR 40.08, SSIM 0.99

  • Snow100K-L: 领先现有方法

  • CSD: 显著超越WeatherDiff等扩散模型

2. SnowMaster (CVPR 2025)

• 核心创新： 多模态大语言模型（MLLM）多模型反馈

• 技术框架：

  1. 数据集筛选： MLLM多轮对话机制评估图像质量

  2. 训练指导： MLLM提供质量反馈指导网络训练

  3. 半监督学习： 利用未标注真实数据

• 意义： 首次将MLLM引入低层视觉任务质量评估

3. DUNet (2025)

• 核心创新： 深度展开网络（Deep Unfolding Network）+ 雪形先验

• 物理模型：

  Y = A ⊙ M + X ⊙ (1 - M)
  

  • Y: 雪图

  • A: 大气光图

  • X: 清晰图

  • M: 连续值雪掩码

• 优势： 结合模型驱动（物理可解释）与数据驱动（学习能力）

4. SemiVDN (2024)

• 核心创新： 半监督视频去雪网络

• 关键模块：

  • 时序解耦专家（Temporal Decoupling Experts）： 基于大气散射模型分解物理组件

  • 分布驱动对比正则化： 缩小合成数据与真实数据的分布差距

• 特点： 处理真实世界雪视频，保持时序一致性

2025-2026最新算法的一些处理

2025-2026年期间在去雪去雾领域最具代表性的算法进展，包括基于注意力机制的高效图像复原模型、改进的大气散射模型、特征融合策略以及针对夜间和偏振图像等特定场景的优化方法。通过对PSNR、SSIM、信息熵(IE)、雾感知密度评估参数(FADE)等客观评价指标的分析，揭示了当前算法在不同退化场景下的性能优势与局限性，为研究者提供全面的技术参考。

一、基于注意力机制的高效图像复原模型

1.1 自适应稀疏Transformer (AST-v2)

**自适应稀疏Transformer (AST-v2)**是2025年发表于TPAMI的突破性图像复原算法，由南开大学与鹏城实验室合作开发。该模型通过双分支注意力机制(ASSA)与特征精修前馈网络(FRFN)的创新设计，在去雪、去雾等六种图像复原任务中实现了性能与效率的双重突破。

双分支注意力机制(ASSA)

AST-v2的核心创新在于其**双分支注意力机制(ASSA)**，该机制通过稀疏自注意力(SSA)与密集自注意力(DSA)的动态融合，有效解决了传统Transformer在图像复原任务中的两大痛点：无关区域噪声交互和信息冗余。

稀疏自注意力(SSA)分支采用平方ReLU激活函数过滤低匹配分数的无关关联，实现注意力稀疏化：

密集自注意力(DSA)分支则使用softmax层考虑所有查询-键对，确保关键信息保留：

最终注意力输出通过门控处理实现动态调制：

这一设计使模型能够根据任务需求自适应调整注意力稀疏度，在去雪任务中表现出色。在Snow100K数据集上，AST-v2的PSNR达34.18 dB，比NAFNet提升1.77 dB，SSIM达0.94，接近最优模型。

特征精修前馈网络(FRFN)

AST-v2的另一个关键创新是**特征精修前馈网络(FRFN)**，该网络采用"增强-简化"(enhance-and-ease)策略，有效减少特征冗余。

具体实现包括：

• 沿通道维度将特征图分为G组，每组子特征通过部分深度可分离卷积筛选有效元素

• 线性投影变换后，将通道切片为两个部分，通过门控机制抑制冗余信息

• 最终通过线性投影生成精修后的特征

分组数选择通过敏感性分析确定，在实验中当分组数为12时性能最优(PSNR达48.82 dB)，而分组数在[2,16]范围内均优于单组基线(PSNR 48.42 dB)。

性能与效率平衡

AST-v2采用对称的编码器-解码器网络结构，编码器仅使用FRFN重点保留图像局部模式，解码器结合ASSA与FRFN建模长程依赖并优化特征表示。该模型在保持高PSNR的同时，计算复杂度显著降低，实现了性能与效率的平衡。

1.2 基于注意力机制的其他去雪去雾算法

除AST-v2外，2025-2026年间还出现了多种基于注意力机制的去雪去雾算法，如HMHA (分层多头注意力)和DehazeFormer。

HMHA通过重新排列通道空间并引入重排序操作，解决传统多头注意力(MHA)中头之间冗余的问题，使模型在Snow100K数据集上比AST提升了1.64 dB的PSNR。

DehazeFormer则引入SK注意力机制实现跨尺度特征选择，针对不同雾浓度区域自动聚焦处理，在多个图像恢复任务中表现出色。

二、改进的大气散射模型和物理先验方法

2.1 非均匀大气光修正模型

非均匀大气光修正模型是针对夜间图像去雾提出的创新方法，主要解决低亮度、辉光和颜色失真问题。

模型改进

传统大气散射模型：

改进的非均匀大气光修正模型引入表面光照项：

其中，L_s(x)表示由路灯、车灯等人造光源引起的表面光照。

参数估计

该模型通过以下方法估计关键参数：

• 基于图像亮度和饱和度分量确定近光源系数

• 自适应阈值迭代分割天空区域

• 结合多尺度Retinex算法增强局部细节

• 利用引导滤波优化透射率图

在夜间数据集(如ISTD、SOTS)上，该模型PSNR提升0.8~1.2 dB，SSIM提升0.01~0.03，有效解决了辉光和色偏问题。

2.2 最大反射率先验

最大反射率先验是另一种重要的物理先验方法，与传统的暗通道先验(DCP)相比，它能更准确地估计透射率，尤其适用于低光场景。

数学表达式最大反射率先验的数学表达式为：

其中，Omega_i是局部区域，I_j^lambda是像素点j在lambda通道的亮度值。

最大反射率先验与暗通道先验的主要区别在于：

• 暗通道先验假设在局部区域内至少有一个通道的像素值接近0

• 最大反射率先验假设在局部区域内至少有一个通道的像素值接近最大值

这一差异使最大反射率先验在低光场景下表现更优，避免了传统DCP可能导致的颜色失真问题。

2.3 雪场景物理模型

针对雪场景，研究者提出了基于菲涅耳公式和散射理论的物理模型，以描述雪粒对光线的散射特性。

雪散射模型通常表示为：

其中，R为色差图，C为潜在清晰图像，M为雪掩码。

雪的高反射率特性(30%-80%)是去雪算法的关键物理基础，其反射率公式为：

其中，n_1和n_2分别为空气和雪的折射率。这一特性使雪场景的去噪处理更为复杂，需要特殊设计的算法。

三、特征融合策略对去雪去雾效果的影响

3.1 双分支结构

双分支结构是当前去雪去雾算法中广泛应用的特征融合策略，通过分离全局特征与局部特征的处理路径，实现更精确的图像恢复。

全局与局部特征分离

典型的双分支结构将输入图像同时输入全局特征分支和局部特征分支：

• 全局特征分支：采用膨胀卷积或注意力机制提取全局结构信息

• 局部特征分支：通过连续细节增强块或膨胀卷积提取局部纹理信息

最终通过通道拼接或加权融合的方式将两个分支的特征整合，生成高质量的去雾/去雪图像。

实验效果

在多个数据集上的实验表明，双分支结构相比单分支结构能显著提升去雾/去雪效果：

• 在去雪任务中，PSNR平均提升0.75~1.2 dB

• 在去雾任务中，SSIM平均提升0.01~0.03

• 在细节保留方面，平均梯度提升显著

3.2 多尺度融合

多尺度融合是另一种重要的特征融合策略，通过在不同尺度上提取和融合特征，增强算法对不同退化程度的适应性。

膨胀卷积多尺度融合

膨胀卷积通过调整膨胀率，在不增加计算量的前提下扩大感受野，实现多尺度特征提取。在去雪任务中，采用膨胀率分别为2、4、6的膨胀卷积网络，PSNR比单尺度模型提升0.67 dB。

拉普拉斯分解融合

拉普拉斯分解将图像分解为低频分量(全局结构)和高频分量(边缘细节)，通过双并行路径进行专业化处理：

• 低频分支：采用SSM(空间状态模型)进行全局上下文建模

• 高频分支：利用CNN进行局部结构细化

Laplace-Mamba模型通过这种设计，在去雪任务中PSNR比传统CNN高2.3 dB，同时保持了边缘的清晰度。

3.3 特征融合策略的比较

特征融合策略	PSNR提升(dB)	SSIM提升	计算复杂度	适用场景
双分支注意力机制(ASSA)	0.75~1.77	0.01~0.03	中等	复杂雾霾/雪场景
双分支CNN+ViT	1.0~1.5	0.02~0.04	高	需同时考虑局部与全局特征
膨胀卷积多尺度	0.67~1.2	0.01~0.02	低	轻量化实时处理
拉普拉斯分解	2.0~2.3	0.03~0.05	中高	高频细节保留

表1：不同特征融合策略在去雪去雾任务中的性能比较

四、特定场景的去雾算法优化方法

4.1 夜间场景去雾优化

夜间场景的去雾面临独特的挑战，包括低亮度、辉光效应和颜色失真等。针对这些问题，研究者提出了多种优化方法。

天空区域自适应分割

贵州航天南海科技提出的基于天空区域分割的图像去雾方法，通过阈值迭代自适应获取天空区域分割的最佳划分阈值，准确分割有雾图像的天空区域和非天空区域，使求取的大气光值和透射率值更加准确。

大气光值加权融合

该方法将天空区域和非天空区域的大气光值进行加权融合，并对大气光值设置上限阈值，有效避免恢复的去雾图像出现颜色失真现象。

多尺度Retinex增强与高斯高通滤波

结合多尺度Retinex增强算法与高斯高通滤波，不仅能解决透射率的块效应问题，还能增强图像细节，使夜间去雾图像具有自然颜色和丰富细节。

4.2 偏振图像去雾优化

偏振图像提供了额外的物理信息，使其在去雾任务中具有独特优势。研究者通过创新的物理模型和特征融合策略，显著提升了偏振图像去雾效果。

双迭代正则分离方法

南京大谋光电科技的基于双迭代正则分离的偏振图像去雾方法，通过间接求解中间变量T，解决了传统偏振去雾方法依赖天空区域与近红外误差传导的问题。

RT3矢量传输模型

北京航空航天大学张颖团队提出的RT3矢量传输模型与自适应检测和透射率图融合机制，成功克服了传统偏振去雾方法的局限性。该方法在远场场景的去雾效果显著优于其他方法，细节恢复更完整。

低秩逼近降噪

为解决偏振图像融合过程中的散粒噪声问题，研究者提出了低秩逼近技术，通过矩阵分解抑制噪声：

其中，|T|_*表示核范数约束，用于抑制散粒噪声。实验显示，该方法在近红外与可见光融合时，边缘伪影减少42%，PSNR提升1.8 dB。

4.3 车载摄像头场景去雾

车载摄像头在恶劣天气下的去雾对智能驾驶至关重要，研究者提出了多种针对此场景的优化方法。

边缘引导滤波与亮度自适应映射

深圳觉明人工智能提出的边缘引导滤波与亮度自适应映射算法，首先对原始图像进行初步增强处理，生成初始增强图像，然后对初始增强图像进行雾气分布估计，结合轻量化的图像重建策略进行细节还原与色彩补偿。

热红外与可见光多模态融合

睿创微纳车载远红外夜视系统通过融合热红外与可见光图像，利用热成像技术的天然穿透优势，显著提升了雾雪天气下的目标识别能力。系统分辨率达640×512，热灵敏度NETD达35mk@25℃级别，在大雾、黑夜等低能见度条件下探测距离达300米。

五、最新算法在图像质量指标上的表现

5.1 主流算法在去雪任务中的指标对比

算法	PSNR (dB)	SSIM	IE	计算复杂度	适用场景
AST-v2	34.18	0.94	高	中等	复杂雪场景
HINT	34.18	0.94	高	中等	复杂雪场景
DehazeFormer	32.41	0.93	中	中	多模态输入
Laplace-Mamba	33.50	0.91	中高	中高	需平衡细节与效率
PID-Net	32.80	0.9086	中	中	实时视频处理

表2：主流算法在Snow100K数据集上的去雪性能对比

从表可以看出，AST-v2在去雪任务中综合表现最佳，其PSNR和SSIM均处于领先水平，同时计算复杂度相对较低，适合多种应用场景。

5.2 主流算法在去雾任务中的指标对比

算法	PSNR (dB)	SSIM	IE	FADE	计算复杂度	适用场景
AST-v2	32.28	0.980	高	0.17	中等	复杂雾霾场景
DehazeFormer	32.41	0.93	中	0.22	中	多模态输入
HINT	33.91	0.921	高	0.15	高	需极致细节保留
PID-Net	32.80	0.9086	中	0.20	中	实时视频处理
最大反射率先验	31.50	0.95	高	0.18	低	低光场景

表：主流算法在SOTS数据集上的去雾性能对比

AST-v2在去雾任务中同样表现出色，其PSNR达32.28 dB，SSIM达0.980，在所有指标上均优于其他主流算法。

5.3 夜间场景算法指标对比

算法	PSNR (dB)	SSIM	IE	计算复杂度	实时性(FPS)
非均匀大气光修正	31.85	0.925	高	低	实时
MKoIE	32.20	0.930	高	中	30(Full HD)
AOD-NET	31.50	0.915	中	极低	35.6(1080P)
NDELS	32.10	0.915	高	低	实时
HINT	32.80	0.921	高	高	需平衡细节与效率

表4：夜间场景去雾算法性能对比

从表可以看出，非均匀大气光修正模型在夜间场景中表现最佳，其PSNR和SSIM均优于其他算法，同时计算复杂度相对较低，适合实时应用。

5.4 偏振图像去雾算法指标对比

算法	PSNR (dB)	SSIM	IE	FADE	适用场景
RT3矢量传输模型	32.50	0.935	高	中	复杂偏振场景
双迭代正则分离	32.20	0.930	高	中低	多源偏振输入
低秩逼近去雾	32.80	0.921	高	中	需抑制散粒噪声
MVEF	33.00	0.932	高	中高	HDR图像处理
HINT	33.91	0.921	高	高	需极致细节保留

表：偏振图像去雾算法性能对比

RT3矢量传输模型在偏振图像去雾中表现最佳，其PSNR和SSIM均处于领先水平，特别适合复杂偏振场景的图像恢复。

六、结论与展望

去雪去雾算法近年来取得了显著进展，注意力机制与物理模型的结合成为主流趋势。AST-v2等基于注意力机制的算法通过双分支设计平衡了噪声过滤与信息保留，显著提升了PSNR和SSIM指标；非均匀大气光修正模型和最大反射率先验等物理模型改进方法，则有效解决了特定场景下的去雾难题。

特征融合策略的创新是提升去雪去雾效果的关键。双分支结构通过分离全局与局部特征处理路径，实现了更精确的图像恢复；多尺度融合则通过在不同尺度上提取特征，增强了算法对不同退化程度的适应性。

针对夜间、偏振图像等特定场景的优化方法，进一步丰富了去雪去雾算法的应用范围。天空区域自适应分割、低秩逼近降噪等技术，为复杂场景下的图像恢复提供了新思路。

在图像质量指标方面，AST-v2在去雪和去雾任务中均表现出色，其PSNR和SSIM指标均处于领先水平；非均匀大气光修正模型在夜间场景中表现最佳；而RT3矢量传输模型则在偏振图像去雾中取得了优异效果。

未来研究方向可能包括：

• 物理模型与深度学习的更深度融合，实现更准确的退化建模

• 面向多模态输入的特征融合策略，如可见光、热红外、偏振光的联合处理

• 针对极端天气条件(如雾雪混合)的鲁棒性增强

• 计算效率与恢复质量的平衡优化，为嵌入式设备提供轻量级解决方案

随着算法的不断优化和应用场景的拓展，去雪去雾技术将在自动驾驶、智能监控、遥感成像等领域发挥越来越重要的作用，为人类在恶劣天气条件下的视觉感知提供有力支持。

---

主流数据集与评价指标

去雾数据集

数据集	年份	类型	规模	特点
RESIDE/SOTS	2018	合成	室内/室外各500对	标准基准数据集
Haze4K	2021	合成	4000对	高分辨率
O-HAZE	2018	真实	45对	真实雾图与无雾图配对
NH-HAZE	2020	真实	-	非均匀雾
Dense-Haze	2019	真实	-	浓雾场景
NHR	2023	真实	-	夜间雾
RS-Haze	2022	遥感	-	遥感图像去雾

去雪数据集

数据集	年份	类型	规模	特点
Snow100K	2018	合成	100,000对	分S（小）/L（大）两个难度
CSD	2021	真实	500对	真实雪图
SRRS	2021	真实	-	真实场景
SnowCityScapes	2020	合成	-	街景雪图
SnowKITTI	2020	合成	-	自动驾驶场景

评价指标

指标	类型	说明	范围
PSNR	全参考	峰值信噪比	越高越好（典型值20-40dB）
SSIM	全参考	结构相似性	[0,1]，越接近1越好
CIEDE2000	全参考	颜色差异度量	越小越好
LPIPS	感知	学习感知图像块相似度	越小越好
FID	感知	弗雷歇Inception距离	越小越好
NIQE	无参考	自然图像质量评估	越小越好
BRISQUE	无参考	无参考图像空间质量评估	越小越好

---

技术趋势与未来挑战

当前技术趋势

1. 统一模型（All-in-One）

• 趋势： 单一模型处理多种天气退化（雨/雪/雾/低光照）

• 代表： TransWeather、PromptIR、WeatherClean

• 优势： 减少模型数量，提高实用性，共享特征表示

2. 生成式方法（扩散模型）

• 趋势： 利用扩散模型强大的生成先验

• 代表： DiffDehaze、WeatherDiff、Reti-Diff

• 挑战： 采样速度慢（需1000步迭代）

• 解决方案：

  • AccSamp加速采样

  • 潜在空间扩散（LDM）

  • 知识蒸馏

3. 物理-数据混合方法

• 趋势： 将大气散射模型等物理先验融入深度学习

• 代表： DUNet、PSD、物理引导扩散模型

• 优势： 提高真实场景泛化性，增强可解释性

4. 多模态与大模型

• 趋势： 利用CLIP、MLLM等多模态能力

• 代表：

  • SnowMaster（MLLM反馈）

  • BiLaLoRA（CLIP引导）

  • Visual-Instructed Diffusion（文本引导）

• 方向： 文本引导恢复、质量评估、零样本适应

5. 高效架构

• 趋势： 降低计算复杂度，适配实时应用

• 代表：

  • Mamba/State Space Models: Weamba（线性复杂度）

  • RWKV: Fourier-RWKV（线性注意力）

  • 脉冲神经网络: DehazeSNN（低功耗）

主要挑战

挑战	具体问题	研究方向
真实场景泛化	合成数据训练模型在真实场景性能下降	域适应、物理引导微调、无监督学习
非均匀退化	真实雾/雪分布不均匀	密度感知网络、自适应patch处理
计算效率	Transformer和扩散模型计算量大	轻量化设计、知识蒸馏、神经架构搜索
数据稀缺	真实配对数据难以获取	半监督学习、自监督学习、合成数据生成
多退化共存	雨+雾+雪同时存在	统一模型、退化分解、条件生成
夜间场景	夜间雾与低光照耦合	联合优化、Retinex理论、物理模型
视频恢复	时序一致性保持	光流引导、循环网络、时序Transformer

---

算法推荐指南

按应用场景推荐

去雾算法推荐

应用场景	推荐算法	理由
追求最高精度	RouteWinFormer、FFA-Net	PSNR/SSIM指标领先，RouteWinFormer在多个数据集达SOTA
真实场景部署	UDPNet、BiLaLoRA	深度先验/无监督适应，对真实雾鲁棒
实时应用	Fourier-RWKV、DehazeSNN	线性复杂度，低计算量，适合边缘设备
超高清图像	UHDPromer	专为UHD设计，处理4K/8K图像
夜间雾	夜间去雾专用算法	联合处理低光照与雾
统一处理多种天气	TransWeather、PromptIR	单模型处理雨/雪/雾
遥感图像	DehazeFormer、RSDformer	针对遥感数据优化

去雪算法推荐

应用场景	推荐算法	理由
追求最高精度	MF-ViT、RouteWinFormer	PSNR 40.08dB，SOTA性能，分数阶微分创新
真实场景	SnowMaster、SemiVDN	半监督学习，MLLM反馈，处理OOD数据
物理可解释性	DUNet	深度展开网络，结合物理模型
视频去雪	SemiVDN	时序一致性建模，处理视频序列
交通监控	Star-Net、小波增强去雪	针对监控场景优化，实时性
移动端部署	HDCWNet改进版	计算效率高，适合嵌入式设备

按计算资源推荐

资源条件	推荐方案
充足计算资源（GPU集群）	扩散模型（DiffDehaze、WeatherDiff）、大模型（SnowMaster）
有限计算资源（单卡GPU）	Transformer（TransWeather、Restormer）、CNN（FFA-Net）
边缘设备（移动端/嵌入式）	轻量化网络（Fourier-RWKV、DehazeSNN）、传统方法+DCP改进
实时性要求（>30fps）	快速近似（Hazedefy）、硬件加速（TensorRT优化）

---

参考文献

综述论文

1. Zhou H, et al. Remote Sensing Image Dehazing: A Systematic Review of Progress, Challenges, and Prospects. arXiv:2603.20289, 2026.

2. 面向大气颗粒物干扰的图像清晰化算法研究与展望. 红外与激光工程, 2024.

去雾代表性论文

1. He K, et al. Single Image Haze Removal Using Dark Channel Prior. CVPR, 2009.

2. Cai B, et al. DehazeNet: An End-to-End System for Single Image Haze Removal. IEEE TIP, 2016.

3. Li B, et al. AOD-Net: All-in-One Dehazing Network. ICCV, 2017.

4. Qin X, et al. FFA-Net: Feature Fusion Attention Network for Single Image Dehazing. AAAI, 2020.

5. Zamir S W, et al. Restormer: Efficient Transformer for High-Resolution Image Restoration. CVPR, 2022.

6. Valanarasu J M J, et al. TransWeather: Transformer-based Restoration of Images Degraded by Adverse Weather Conditions. CVPR, 2022.

7. Zheng L, et al. Fourier-RWKV: A Multi-State Perception Network for Efficient Image Dehazing. arXiv:2512.08161, 2025.

去雪代表性论文

1. Liu S, et al. DesnowNet: Context-Aware Deep Network for Snow Removal. IEEE TIP, 2018.

2. Chen W T, et al. All Snow Removed: Single Image Desnowing Algorithm Using Hierarchical Dual-Tree Complex Wavelet Representation. ICCV, 2021.

3. Zhang K, et al. Deep Dense Multi-Scale Network for Snow Removal Using Semantic and Depth Priors. IEEE TIP, 2021.

4. Lai Y, et al. SnowMaster: Comprehensive Real-world Image Desnowing via MLLM with Multi-Model Feedback. CVPR, 2025.

5. MF-ViT: Multi-Fractional Vision Transformer for Single Image Desnowing. 2025.

6. Wu H, et al. Semi-Supervised Video Desnowing Network via Temporal Decoupling Experts and Distribution-Driven Contrastive Regularization. arXiv:2410.07901, 2024.

扩散模型与生成式方法

1. Ozdenizci O, et al. Restoring Vision in Adverse Weather Conditions with Patch-Based Denoising Diffusion Models. IEEE TPAMI, 2023.

2. Yue Z, et al. Reti-Diff: Illumination Degradation Image Restoration with Retinex-based Latent Diffusion Model. ICLR, 2025.

3. Cui Y, et al. DiffDehaze: Enhanced Image Dehazing via Diffusion Models. CVPR, 2025.

---

附录：性能对比表

去雾性能对比（SOTS-indoor数据集）

算法	年份	PSNR (dB)	SSIM
DCP	2009	20.15	0.872
DehazeNet	2016	21.14	0.847
AOD-Net	2017	19.04	0.850
GFN	2018	22.30	0.880
GridDehazeNet	2020	32.16	0.984
FFA-Net	2020	36.39	0.989
Restormer	2022	36.72	0.951
DehazeFormer	2022	39.62	0.960

去雪性能对比（CSD数据集）

算法	年份	PSNR (dB)	SSIM
DesnowNet	2018	20.13	0.81
JSTASR	2020	27.96	0.88
HDCWNet	2021	29.06	0.91
SMGARN	2022	31.93	0.95
TransWeather	2022	31.76	0.93
FocalNet	2024	37.18	0.99
FSNet	2024	38.37	0.99
MF-ViT	2025	40.08	0.99
RouteWinFormer	2025	40.08	0.99

关注主页公众号，更多详细内容

---