文章：HNDiff: Haze-Noise Diffusion for Image Dehazing

代码：暂无

作者：匿名

一、问题背景：真实世界图像退化远比想象复杂

在图像复原（Image Restoration）领域，去噪（Denoising）与去雾（Dehazing）是两类核心任务。 它们旨在恢复受环境退化（噪声、雾霾、模糊等）影响的图像清晰度。

然而，现实中的图像退化往往同时存在多种噪声源：

1. 🌫 大气散射导致的雾霾衰减；

2. 📸 传感器噪声、曝光偏差、压缩失真；

3. 💡 光照与深度的非线性耦合效应。

现有复原模型大多针对单一退化类型设计，例如：

• 去雾模型（如 AOD-Net, DehazeFormer）

• 去噪模型（如 DnCNN, Restormer）

👉 但在真实场景中，“雾+噪声”共存才是常态。 单任务模型在复杂退化下往往失效，输出结果模糊、颜色偏移。

因此，研究者提出 HN-Diff（Haze and Noise Diffusion Model），一个能在真实场景中联合去雾与去噪的统一扩散式生成模型。

二、方法创新：基于物理约束的双扩散生成框架

✳️ 核心思想

将去雾和去噪视为两个相互耦合的生成过程， 通过条件扩散模型（Conditional Diffusion Model）统一建模。

🔹 1. 双扩散解耦机制（Dual Diffusion Branch）

• 模型采用两个扩散分支：

• • Noise Branch：建模图像噪声分布，学习还原干净纹理；

  • Haze Branch：建模光散射退化，恢复全局对比与深度感。

• 两个分支共享编码器特征，通过 Cross-Condition Attention 融合信息。

📘 直觉解释：

模型先“听清”细节（去噪），再“看远”结构（去雾）。

🔹 2. 基于物理先验的退化指导（Physics-guided Conditioning）

• 融入大气散射模型先验：其中 (I) 为观测图像，(J) 为清晰图像，(t(x)) 为透射率，(A) 为大气光。

• 通过可学习的 物理引导模块（PGM） 估计 (t(x)) 与 (A)， 并在扩散反演过程中作为条件输入引导噪声采样。

🔹 3. 联合感知一致性损失（Perceptual Consistency Loss）

• 在 L1 + SSIM 基础上，引入语义感知一致性约束， 保证去雾和去噪后的图像在视觉空间中与原始语义一致。

🔹 4. 训练策略

• 合成 + 真实退化数据混合训练；

• 双阶段优化：先独立训练去雾/去噪分支，再联合微调；

• 采用 DDIM 推理加速，实现实时恢复。

三、实验结果：复杂退化下显著领先

作者在多个真实与合成数据集上验证了 HN-Diff 的性能，包括：

• RESIDE (ITS, SOTS) – 去雾数据集

• DND, SIDD – 去噪数据集

• Hybrid-HazeNoise (作者自建) – 真实复合退化数据

📈 关键结果：

• 在混合退化场景下，HN-Diff 相比 SOTA 模型提升 +2.6 dB (PSNR)；

• 在真实户外场景上，颜色恢复与对比度显著优于 DehazeFormer；

• 在不增加推理时长的前提下，细节保真度提升明显。

此外，作者还在视频序列上测试了模型的时序一致性：

• Temporal SSIM 提升 +0.012；

• 模型输出在光照变化下稳定无闪烁。

四、优势与局限

✅ 优势

• 🧠 双扩散机制：同时建模雾与噪声退化；

• 🌈 物理约束引导：增强模型可解释性；

• ⚡ 统一推理：一次前向过程完成联合复原；

• 🪄 泛化性强：在不同传感器、天气条件下表现稳定。

⚠️ 局限

• 训练复杂，需大量多退化数据；

• 推理虽快，但仍比纯 CNN 模型稍慢；

• 对极端光照（夜间、逆光）场景恢复效果有限；

• 对视频长序列的时序一致性仍需优化。

📝 一句话总结

HN-Diff 用“扩散”的方式同时看清世界与细节， 打破了传统图像复原的任务壁垒，让去雾与去噪真正合而为一。