视觉-语言模型引导的小波重建去雾网络

Vision-language model-guided wavelet reconstruction dehazing network

摘要

针对现有去雾算法对真实非均匀雾霾分布学习能力不足，导致去雾结果存在颜色失真、边缘丢失的问题，提出了一种视觉-语言模型引导的小波重建去雾网络.网络采用两阶段训练框架.第一阶段预训练编-解码器结构的去雾网络，核心包含残差小波重建块（RWRB）与SKFusion块.在RWRB中，利用小波变换分离高低频信息.针对低频分量设计通道级Mamba模块，以线性复杂度建模长距离依赖，精准恢复颜色与全局结构；针对高频分量开发高频细化模块，增强纹理细节并抑制雾霾突变区域的伪影.同时，通过SKFusion块实现编-解码器间浅层与深层特征的自适应融合，促进多尺度信息交互.第二阶段提出基于视觉-语言模型CLIP的微调框架，利用定制化的去雾对比提示集引导主干网络的微调，注入丰富的视觉先验知识，使网络能够生成更符合人类感知的无雾图像，增强网络的泛化能力.实验结果表明，所提算法在合成数据集和真实数据集上去雾理想，具有良好的去除非均匀雾霾性能，能够很好地恢复图像的纹理和颜色；同时在客观评价峰值信噪比（PSNR）和结构相似性（SSIM）中也取得了满意的结果.

Abstract

To address the insufficient learning ability of the existing dehazing algorithms for real non-uniform haze distributions， which leads to color distortion and edge loss in dehazing results， this paper proposes a wavelet reconstruction dehazing network guided by a vision-language model. The network employs a two-stage training framework： In the first stage， a dehazing network with an encoder-decoder structure is pre-trained， with its core consisting of a residual wavelet reconstruction block （RWRB） and an SKFusion block. In the RWRB， wavelet transform is used to separate high- and low-frequency information： for the low-frequency components， a channel-level Mamba module is designed to model long-range dependencies with linear complexity， accurately restoring color and global structure； for the high-frequency components， a high-frequency refinement module is developed to enhance texture details and suppress artifacts in regions with abrupt haze variations. Meanwhile， the SKFusion block enables adaptive fusion of shallow and deep features between the encoder and decoder， facilitating multi-scale information interaction. In the second stage， a fine-tuning framework based on the vision-language model CLIP is proposed， which utilizes a customized dehazing contrastive prompt set to guide the fine-tuning of the backbone network， injecting rich visual prior knowledge into the network. This allows the network to generate haze-free images that better align with human perception and enhance its generalization ability. Experimental results demonstrate that the proposed algorithm achieves an ideal dehazing performance on both synthetic and real-world datasets， effectively removing non-uniform haze while well-preserving image textures and colors. It also yields satisfactory results in objective metrics such as peak signal-to-noise ratio （PSNR） and structual similarity index measure（SSIM）.

Graphical abstract

关键词

图像去雾 / Mamba / 视觉-语言模型 / 离散小波变换

Key words

image dehazing / Mamba / vision-language model / discrete wavelet transform

雾天条件下往往存在能见度降低的情况，导致户外系统获得的图像质量下降严重，存在对比度降低、边缘细节丢失等问题.这种现象对目标检测^［1］、自动驾驶^［2］、目标分割^［3］等户外视觉任务造成了困扰.因此，需要消除雾霾干扰，从而获得清晰的图像场景.多年来，人们提出了许多有效的方法来解决这一问题.这些方法可分为两类：基于物理的方法和基于深度学习的方法.

基于物理的方法首先结合先验知识独立计算透射图与大气光，然后通过大气散射模型（atmospheric scattering model， ASM）^［4］得到清晰图像.例如暗通道先验^［5］、颜色衰减先验^［6］和饱和线先验^［7］.然而，由于先验知识仅在满足其假设的场景中有效，在遇到统计先验知识数据分布之外的场景时，去雾效果较差.

近年来，得益于深度学习的快速发展，基于数据驱动的方法在图像去雾任务中取得了优异的性能.早期基于深度学习的方法仍依赖于ASM，并使用卷积神经网络（convolutional neural network， CNN）来估计大气光和透射图，然后生成清晰的图像^［8］.例如，文献［9］提出AOD-Net，该模型将大气光和透射图统一为一个参数进行估计，并采用端到端学习方法来获取清晰图像；文献［10］提出了密集连接金字塔去雾网络（DCPDN），该网络通过边缘保持的密集连接编码器-解码器结构来估计透射图.然而，这类方法严格依赖ASM，参数估计中的累积误差可能导致性能下降.

因此，学者们致力于端到端学习有雾图像与无雾图像之间的映射关系，而无须使用传统的大气散射模型^［11］.例如，文献［12］提出了一种基于类自动编码器的去雾网络，以多尺度的特征表达结合对比学习正则化提高网络的去雾能力；文献［13］采用了多个并行的空间注意单元，防止单一的空间注意力单元对某些雾霾区域过度强调从而导致雾霾去除效果的恶化；文献［14］采用类似U-net的多尺度框架，设计包含普通卷积和差分卷积相结合的模块来保留图像的梯度级信息，从而有效恢复图像的细节信息.虽然上述深度学习的方法在经过海量合成数据训练后具有良好的去除均匀薄雾能力，但是在面对真实非均匀雾霾图像时，由于全局信息获取能力不足，难以学习到雾霾的非均匀分布特征，去雾结果容易出现颜色失真或者细节丢失的问题.尽管基于Transformer^［15-16］的方法利用多头自注意力机制获得了全局感受野，但自注意力的二次复杂度不可避免地带来了巨大的计算开销，需要大量的计算资源.最近，视觉状态空间模型Mamba^［17］因能够以线性复杂度捕捉长距离依赖关系而备受关注，在高级视觉任务中表现出色^［18-19］；此外，由于真实配对雾霾数据较难获取，这些深度学习的方法在小规模数据集上往往表现不佳.

针对上述问题，本文提出了基于视觉-语言模型引导的小波重建去雾网络.网络分为两个阶段训练：第一阶段对图像去雾网络进行预训练，第二阶段利用大规模图像-文本数据预训练的视觉-语言模型CLIP （contrastive language-image pre-training）^［20］提供高质量的先验知识指导预训练去雾网络的微调.具体来说，去雾网络为编-解码器结构，包括残差小波重建块（residual wavelet-based reconstruction block， RWRB）与SK融合模块（selective kernel fusion， SKFusion）.RWRB为网络的主要组成部分，主要通过小波变换重建图像的颜色信息与细节信息.由于与雾霾相关的信息往往存在于低频分量中，因此本文引入了通道级Mamba，利用Mamba对长距离序列进行线性分析的能力，在提取小波低频子图的通道级全局信息的同时兼顾对空间信息的捕获，从而有效去除雾霾并恢复图像的色彩.而高频分量代表了图像的边缘和纹理特征，对于图像恢复至关重要，因此本文设计了高频细化模块，在增强关键高频特征的同时抑制雾霾密度突变区域产生的伪影.同时，本文采用SKFusion^［21］有效融合编-解码器获得的浅-深层特征，以促进去雾网络不同尺度信息之间的信息流动.

此外，为了提高去雾网络的泛化能力，本文提出了针对去雾任务的CLIP微调框架，通过结合定制的正负样本提示集与CLIP丰富的视觉先验知识，从而准确地识别雾天天气，提高去雾网络处理真实世界图像的鲁棒性，生成更为清晰、符合人类感知的图像.

本文的结构安排如下：第1节介绍本文提出的去雾网络；第2节介绍CLIP微调框架；第3节通过大量实验验证方法的有效性；第4节得出结论.

1 去雾网络

1.1 网络结构

本文去雾网络的总体结构如图1（a）所示，采用多尺度编-解码器架构，使得网络对图像中包含的多尺度信息进行全面编码的同时保持友好的计算复杂度.具体来说，给定一个特征图输入X\in {\mathbb{R}}^{C\times H\times W}，首先经过一个卷积层获得浅层特征.然后使用由RWRB块组成的三层编码器和解码器来重建图像的颜色与高频信息，并有效识别雾霾模式.

此外，通过SKFusion块获得可学习的权重参数以实现不同尺度信息的特征融合.最后，本文使用 3×3深度卷积恢复图像的RGB通道，获得去雾图像.

1.2 残差小波重建块

如图1（b）所示，RWRB块主要由小波-Mamba块（Wavelet-Mamba）和前馈神经网络（feed-forward neural network， FFN）组成.对于输入特征x\in {\mathbb{R}}^{C\times H\times W}，首先利用层归一化对输入特征进行标准化，然后使用Wavelet-Mamba模块以通道Mamba建模退化低频特征的全局依赖关系，并利用卷积-注意力细化高频成分.随后，特征通过FFN层帮助网络提升局部感知能力，使得网络专注于更精细的图像细节.该过程可表示为：

\begin{array}{l}F\mathrm{\text{'}}=\mathrm{W}\mathrm{M}(\mathrm{L}\mathrm{N}(x))+x,\\ F\mathrm{\text{'}}\mathrm{\text{'}}=\mathrm{F}\mathrm{F}\mathrm{N}(\mathrm{L}\mathrm{N}(F))+F\mathrm{\text{'}}\end{array}（1）

式中：F\mathrm{\text{'}}表示中间特征；LN表示层归一化操作；WM表示基于小波的Mamba操作；F\mathrm{\text{'}}\mathrm{\text{'}}表示输出特征.

1.2.1 Wavelet-Mamba块

Wavelet-Mamba块的网络结构如图2所示，给定输入雾霾退化特征F，利用二维离散小波变化（2D-DWT）将F分解为四个频率子带：低频子带F_LL和高频子带｛F_LH，F_HL，F_HH｝，然后这两部分分别经过低频恢复分支和高频细化分支.

对于低频恢复分支，F_LL首先经过卷积-激活函数块合并特征图的高和宽维度，在融合空间特征的同时保留通道级信息，接着引入视觉状态空间块 （visual state space block， VSSB）^［22］对低频信息进行全局建模.VSSB的结构如图3所示，包括两个并行分支.在上分支中，经过线性层后的特征通过SiLU激活函数从而保留原始信息；在下分支中，首先应用深度卷积提取图像空间级特征，并通过SiLU激活函数来增强非线性表达能力.接着，利用二维选择性扫描块（selective scan block，SS2D）建模低频信息的长距离空间依赖关系.2D-SSM的扫描机制原理如 图4所示，输入的二维图像特征沿四种扫描路径，将图像特征转换为一维线性序列，每个序列由离散状态空间方程独立建模，如式（2）所示.然后将四个序列求和并重建为二维图像特征.最后，经过VSSB块恢复后的特征通过卷积层细化输出.

\begin{array}{l}\stackrel{\_}{A},\stackrel{\_}{B}=\mathrm{e}\mathrm{x}\mathrm{p}(\mathrm{\Delta }A),\mathrm{\Delta }B\\ h_t=\stackrel{\_}{A}{h}_{t-\mathrm{1}}+\stackrel{\_}{B}{x}_t\\ y_t=c{h}_t+D{x}_t\end{array}（2）

对于高频细化分支，首先将高频子图F_LH、F_HL与F_HH沿通道维度进行拼接，接着将特征通过3×3卷积层和ReLU激活函数.然后，特征经过另一个卷积层和通道注意力调整高频信息表示，使得网络增强关键高频特征的同时，抑制雾霾密度突变区域的伪影.最后通过卷积层得到细化后的高频特征.

最后，经过VSSB全局重建的低频背景特征和特征细化的高频纹理特征通过逆小波变换重构为原始分辨率图像空间.

1.2.2 前馈神经网络

本文采用门控前馈神经网络调节Wavelet-Mamba块内的信息流，帮助网络聚焦于有效特征.FFN的结构如图1（b）蓝色虚线框内所示.输入特征F_in使用深度可分离卷积提取空间和通道维度的特征，接着采用非线性门控机制自适应调节信息流的强度，在促进信息丰富的特征向深层传播的同时抑制不相关或冗余特征.然后应用通道注意力模块引导网络聚焦于最相关的特征信息.最后使用1×1卷积调整通道数，得到输出特征F_out.该过程可表示为：

F_{\mathrm{o}\mathrm{u}\mathrm{t}}=\mathrm{P}\mathrm{c}\mathrm{o}\mathrm{n}\mathrm{v}(\mathrm{C}\mathrm{A}({\delta }_{\mathrm{G}\mathrm{E}\mathrm{L}\mathrm{U}}(\mathrm{D}\mathrm{S}\mathrm{C}\mathrm{o}\mathrm{n}\mathrm{v}(F_{\mathrm{i}\mathrm{n}}))))（3）

式中：Pconv表示1×1逐点卷积；CA表示通道注意力；δ_GELU表示非线性门控机制.

1.3 SKFusion

在多尺度网络中，编码器与解码器之间的特征融合可以促进浅层和深层之间的信息流动，在保持特征完整性以及优化梯度传播方面发挥着关键作用.常见的特征融合方式包括通道拼接或者像素求和，但是这些方式为网络提供了有限的表达能力.因此，本文引入SKFusion，通过可学习的权重参数动态融合浅层细节信息和深层语义信息.SKFusion的结构如图1（c）所示.对于携带不同尺度信息的输入特征F₁与F₂，进行加法运算获得融合特征.该特征通过全局平均池化操作（global average pooling，GAP）获取全局语义信息，接着通过全连接和ReLU激活函数，并使用Softmax函数生成特征权重，使得网络可以自主选择从而校准融合不同感受野的深-浅层特征图信息.

1.4 损失函数

去雾网络的训练采用结合空间域及频率域的综合性损失策略^［23］.本文将有雾图像定义为I_hazy，去雾图像定义为I，清晰图像定义为J.

在空间域中，计算去雾图像与清晰图像的L₁距离损失L_spatial定义为：

L_{\mathrm{s}\mathrm{p}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{a}\mathrm{l}}={‖I-J‖}_{\mathrm{1}}（4）

对于频域损失，利用频率损失L_frequency测量清晰图像与去雾图像在频域的L₁距离.L_frequency 定义如下：

L_{\mathrm{f}\mathrm{r}\mathrm{e}\mathrm{q}\mathrm{u}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{y}}={‖F(I)-F(J)‖}_{\mathrm{1}}（5）

式中：F表示快速傅里叶变换（FFT）.

最后，将空间域损失与频率域损失结合作为第一阶段去雾网络训练的总损失函数：

L_{\mathrm{t}\mathrm{o}\mathrm{t}\mathrm{a}\mathrm{l}}=L_{\mathrm{s}\mathrm{p}\mathrm{a}\mathrm{t}\mathrm{i}\mathrm{a}\mathrm{l}}+\lambda L_{\mathrm{f}\mathrm{r}\mathrm{e}\mathrm{q}\mathrm{u}\mathrm{e}\mathrm{n}\mathrm{c}\mathrm{y}}（6）

式中：λ被经验性地设为0.1.

2 CLIP微调框架

CLIP旨在通过对比学习的方法从图像-文本对中学习嵌入空间中的对齐特征.在基于大规模数据的预训练中，CLIP封装了丰富的语义先验信息.因此，本文利用冻结参数的CLIP指导去雾网络的微调，帮助去雾网络感知雾霾区域及雾霾模式，实现更准确的图像去雾.为了增强语言引导，本文针对图像去雾任务制定了对比提示集（contrastive prompt sets）.例如，正向提示模板（positive prompts）：“a clear photo of the ｛｝ scene”，负向提示模板（negative prompts）：“a picture of haze ｛｝”.

微调框架如图5所示.具体来说，去雾网络输出的图像I与对比提示集分别经过CLIP图像编码器和文本编码器后被编码到潜在空间，可以表示为：

\begin{array}{l}{F}_{\mathrm{i}\mathrm{m}\mathrm{a}\mathrm{g}\mathrm{e}}={\Phi }_{\mathrm{i}\mathrm{m}\mathrm{a}\mathrm{g}\mathrm{e}}(I),\\ F_{\mathrm{t}\mathrm{e}\mathrm{x}\mathrm{t}}={\Phi }_{\mathrm{t}\mathrm{e}\mathrm{x}\mathrm{t}}(T)\end{array}（7）

式中：Φ_image为图像编码器；Φ_text为文本编码器；T为提示文本.

随后，在潜在空间中利用对比损失对图像特征与文本特征进行对齐，可以表示为：

L_{\mathrm{C}\mathrm{L}\mathrm{I}\mathrm{P}}(I)=\frac{{\mathrm{e}}^{\mathrm{c}\mathrm{o}\mathrm{s}({\Phi }_{\mathrm{i}\mathrm{m}\mathrm{a}\mathrm{g}\mathrm{e}}(I),{\Phi }_{\mathrm{t}\mathrm{e}\mathrm{x}\mathrm{t}}(T^{\mathrm{p}}))}}{{\mathrm{e}}^{\mathrm{c}\mathrm{o}\mathrm{s}({\mathrm{\Phi }}_{\mathrm{i}\mathrm{m}\mathrm{a}\mathrm{g}\mathrm{e}}(I),{\Phi }_{\mathrm{t}\mathrm{e}\mathrm{x}\mathrm{t}}(T^{\mathrm{n}}))}}（8）

式中： T^p为正向提示样本；Tⁿ为负向提示样本.

所以，网络第二阶段训练的损失函数可以表示为：

L=L_{\mathrm{C}\mathrm{L}\mathrm{I}\mathrm{P}}(M(I_{\mathrm{h}\mathrm{a}\mathrm{z}\mathrm{y}}))（9）

式中：M表示去雾网络；I_hazy表示输入的有雾图像.

3 实验结果及分析

3.1 数据集及训练设置

本文采用合成数据集以及真实非均匀雾霾数据集来验证所提算法的去雾性能.合成雾霾数据集利用RESIDE数据集^［24］中的室外训练集（outdoor training set，OTS）作为训练集，利用SOTS-outdoor作为测试集.为了验证网络在小规模非均匀雾霾数据集上的学习能力，采用NH-HAZE^［25］和Dense-HAZE^［26］数据集，这两个数据集均包含55张图像，其中前50张图像用于训练，其余5张用于测试.为了进一步验证引入CLIP模型对网络泛化能力的提升效果，本文采用真实世界测试集进行验证.

网络基于Pytorch框架实现，使用NVIDIA GeForce GTX 4090 GPU进行训练.第一阶段训练：首先对去雾网络进行预训练，其中在合成数据集OTS上训练200轮，patch大小为256×256；模型在非均匀数据集NH-HAZE和Dense-HAZE上训练2 000轮，patch大小为600×800.此外，还使用Adam优化器进行优化，其中β₁和β₂分别使用默认值0.9和0.999.初始学习率设置为5×10^-4，并采用余弦退火策略逐渐衰减至1×10^-7.第二阶段训练：使用CLIP微调框架对去雾网络进行15个周期的微调.

3.2 去雾质量对比分析

为了验证算法的有效性，将所提算法与3种早期的去雾算法（包括DCP^［5］、AOD-Net^［9］和GridDehazeNet^［27］）以及近期的去雾算法（包括MSBDN^［28］、Dehamer^［15］、 DehazeFormer^［16］、DEA-Net^［14］和DNMGDT^［29］）进行实验对比.并使用峰值信噪比（peak signal-to-noise ratio， PSNR）和结构相似性函数（structure similarity index measure， SSIM）^［30］来评估去雾效果.

表1为本文算法与经典算法在SOTS-outdoor、NH-HAZE、Dense-HAZE数据集上的客观指标对比.可以看出，在大规模合成数据集上，本文算法取得了与DEA-Net相近的性能.而在非均匀雾霾数据集NH-HAZE以及Dense-HAZE数据集上，本文算法均取得了更为优异的结果.

图6为本文算法和经典算法在SOTS-outdoor测试集上的视觉效果对比.其中，GridDehazeNet算法对部分区域（如天空区域以及树木区域）的恢复颜色过饱和；其余算法均去雾彻底，颜色恢复较好且十分接近清晰图像（ground truth， GT）.

为了验证本文算法对非均匀雾霾的去除能力，本文利用NH-HAZE数据集与Dense-HAZE数据集测试并与经典算法进行对比.图7为不同算法在NH-HAZE测试集上的去雾结果对比.其中，GridDehazeNet算法对雾霾厚重区域的恢复基本失效；MSBDN算法去雾结果存在较多的雾霾残余及伪影；基于Transformer的Dehamer算法第二幅图像的远景区域失真严重；DEA-Net算法虽然可以较好地保留图像的边缘和纹理信息，但是对全局信息捕捉能力的不足导致去雾结果存在较多区域的颜色失真；DNMGDT算法同样在第二幅图像的石台区域存在颜色失真.相比之下，本文算法通过Mamba的全局建模能力以及小波分解后的高频增强优势，能够更好地恢复图像的颜色信息以及保留有效高频细节.

图8为不同算法在Dense-HAZE测试集上的视觉效果对比.相比于其他算法，本文算法能够更准确地识别雾霾分布并去除，例如第二幅图像的墙壁与桌面区域.

图9为不同算法在真实世界测试集上的视觉效果对比.可以观察到，相比于其他算法，本文算法通过CLIP微调使得模型具备更强的真实世界泛化能力，去雾更加彻底，可以获得更符合人类感知的清晰图像.例如第二幅图像的近景区域以及第三幅图像的远景区域.

综合上述比较，本文算法在上述几种场景中都取得了较好的去雾效果，对于提升非均匀雾霾分布学习能力不足的问题有所改善.

3.3 消融实验

为了验证本文算法中各成分的有效性，在SOTS-outdoor与NH-HAZE数据集上对算法的主要组成成分进行消融实验.具体配置如下：

M1：仅适用第一阶段训练的去雾网络，将SKFusion替换为通道维度的拼接，去除Wavelet-Mamba块中的VSSB块，从而构建Baseline.

M2：在Baseline中加入VSSB块.

M3：在M2中加入SKFusion块.

M4：在M3中加入第二阶段的CLIP微调，即本文提出的两阶段训练去雾网络.

消融实验的定量评价结果如表2所示.在Baseline中引入Mamba， PSNR与SSIM在SOTS-outdoor数据集上分别提升了2.53 dB与0.006 9 dB，按性能提升幅度计算，其贡献率达70.2%；在NH-HAZE数据集上分别提升了0.95 dB与0.027 9 dB，贡献率为45.6%.这些提高可以归功于Mamba对于全局长距离的建模能力，通过引入Mamba可以促使网络学习雾霾的分布模式，从而提高网络的性能.

在引入SKFusion块后，PSNR与SSIM在SOTS-outdoor数据集上分别提升了0.69 dB与0.004 5 dB，贡献率为19.2%；在NH-HAZE数据集上分别提升了0.24 dB与0.004 6 dB，贡献率为11.5%.并且，由表3可以观察到，SKFusion在引入较小的计算开销即可获得有效的性能提升.这些提升归因于SKFusion通过可学习的权重参数，可以有效调制来自编码器的低级特征与来自解码器的高级特征.

虽然第一阶段的去雾网络通过引入Mamba与SKFusion块显著提高了非均匀雾霾的去除能力，但其在面对小规模数据集训练时依旧存在局限性.因此，通过CLIP微调框架，将CLIP的丰富先验信息输入去雾网络，从而提高去雾网络的泛化性能.由于SOTS-outdoor数据集对应的训练集为大规模数据集，雾霾浓度较薄且分布均匀，第一阶段的去雾网络足够捕捉到准确的语义信息.因此在SOTS-outdoor数据集上，CLIP的预训练权重对网络的提升并不明显，贡献率仅为0.7%.而在小规模非均匀雾霾分布数据集NH-HAZE上，在引入CLIP后，PSNR与SSIM分别提高了0.89 dB与0.016 7 dB，贡献率达42.7%，充分证明了CLIP微调框架的有效性.如图10所示，经过CLIP微调之后的去雾效果更佳，色彩直方图更接近清晰图像.

综上，消融实验表明，本文算法的主要成分对网络性能的提升均具有一定帮助，从而实现更好的去雾效果.

4 结 语

本文提出了视觉-语言模型引导下的小波重建去雾网络.网络为两阶段训练框架：第一阶段训练去雾网络.该网络是由残差小波重建块组成的编-解码器结构，利用Mamba建模长距离空间依赖关系的能力提高网络对于非均匀雾霾分布的学习能力，同时设计了高频细化模块保留小波高频子带的关键高频信息.此外，通过SKFusion块有效融合来自编-解码器的信息流.第二阶段通过提出的CLIP微调框架，经过大规模数据集预训练的视觉-语言模型提供丰富的先验信息，提高网络的泛化能力.实验结果表明，本文算法具有良好的去除均匀以及非均匀雾霾能力.

参考文献

[1] WANG H， XU Y S， WANG Z N，et al ．CenterNet-auto：a multi-object visual detection algorithm for autonomous driving scenes based on improved CenterNet［J］. IEEE Transactions on Emerging Topics in Computational Intelligence，2023，7（3）：742-752．

[2] 兰凤崇， 李诗成， 陈吉清， 等 ．考虑操纵稳定性的自动驾驶汽车轨迹综合优化方法［J］．湖南大学学报（自然科学版）， 2019， 46（10）： 36-45．

[3] LAN F C， LI S C， CHEN J Q，et al ．Comprehensive approach for trajectory optimization of autopilot vehicles considering handling stability［J］， Journal of Hunan University （Natural Sciences），2019， 46（10）： 36-45．（in Chinese）

[4] XI L， CHEN W H， WU X M，et al ．Online unsupervised video object segmentation via contrastive motion clustering［J］．IEEE Transactions on Circuits and Systems for Video Technology，2024，34（2）： 995-1006．

[5] NAYAR S K， NARASIMHAN S G ．Vision in bad weather［C］//Proceedings of the Seventh IEEE International Conference on Computer Vision．September 20-27，1999，Kerkyra，Greece．IEEE，2002：820-827．

[6] HE K M， SUN J， TANG X O， Single image haze removal using dark channel prior［J］， IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（12）： 2341-2353．

[7] ZHU Q S， MAI J M， SHAO L ．A fast single image haze removal algorithm using color attenuation prior［J］．IEEE Transactions on Image Processing， 2015， 24（11）： 3522-3533．

[8] LING P Y， CHEN H A， TAN X，et al ．Single image dehazing using saturation line prior［J］， IEEE Transactions on Image Processing，2023， 32： 3238-3253．

[9] CAI B L， XU X M， JIA K，et al ．DehazeNet：an end-to-end system for single image haze removal［J］．IEEE Transactions on Image Processing，2016，25（11）： 5187-5198．

[10] LI B Y， PENG X L， WANG Z Y，et al ．AOD-net：all-in-one dehazing network［C］//2017 IEEE International Conference on Computer Vision （ICCV）， October 22-29，2017，Venice，Italy． IEEE，2017：4780-4788．

[11] ZHANG H， PATEL V M ．Densely connected pyramid dehazing network［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. June 18-23，2018．Salt Lake City，UT，USA．IEEE，2018：3194-3203．

[12] ZHANG Y F， ZHOU S， LI H F ．Depth information assisted collaborative mutual promotion network for single image dehazing［C］//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR），June 16-22，2024，Seattle，WA，USA． IEEE，2024：2846-2855．

[13] WU H Y， QU Y Y， LIN S H，et al ．Contrastive learning for compact single image dehazing［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 20-25，2021，Nashville，TN，USA． IEEE，2021：10546-10555．

[14] LIN C Y， RONG X W， YU X Y ．MSAFF-net：multiscale attention feature fusion networks for single image dehazing and beyond［J］．IEEE Transactions on Multimedia，2023，25：3089-3100．

[15] CHEN Z X， HE Z W， LU Z M ．DEA-net：single image dehazing based on detail-enhanced convolution and content-guided attention［J］．IEEE Transactions on Image Processing，2024，33：1002-1015．

[16] GUO C L， YAN Q X， ANWAR S，et al ．Image dehazing transformer with transmission-aware 3D position embedding［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 18-24，2022，New Orleans，LA，USA． IEEE，2022：5802-5810．

[17] SONG Y D， HE Z Q， QIAN H，et al ．Vision transformers for single image dehazing［J］. IEEE Transactions on Image Processing， 2023， 32： 1927-1941．

[18] GUO H， LI J M， DAI T，et al. MambaIR：a simple baseline for image restoration with state-space model［C］//Computer Vision-ECCV 2024．Cham：Springer，2025：222-241．

[19] MA J， LI F F， WANG B， U-mamba：enhancing long-range dependency for biomedical image segmentation［EB/OL］．2024：arXiv：2401.04722．

[20] ZHEN Z， HU Y， FENG Z， FreqMamba：viewing Mamba from a frequency perspective for image deraining［EB/OL］．2024：arXiv：2404.09476．

[21] RADFORD A， KIM J W， HALLACY C，et al. Learning transferable visual models from natural language supervision［C］//International Conference on Machine Learning．2021

[22] LI X， WANG W H， HU X L，et al ．Selective kernel networks［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， June 15-20，2019，Long Beach，CA，USA． IEEE，2020：510-519．

[23] JIAO J B， LIU Y， LIU Y F，et al ．VMamba：visual state space model［C］//Advances in Neural Information Processing Systems 37. December 10-15，2024. Vancouver，BC，Canada．Neural Information Processing Systems Foundation，Inc．（NeurIPS），2024：103031-103063．

[24] CUI Y N， REN W Q， CAO X C，et al ．Image restoration via frequency selection［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2024，46（2）：1093-1108．

[25] LI B Y， REN W Q， FU D P，et al ．Benchmarking single-image dehazing and beyond［J］. IEEE Transactions on Image Processing，2019，28（1）： 492-505．

[26] ANCUTI C O， ANCUTI C， TIMOFTE R ．NH-HAZE：an image dehazing benchmark with non-homogeneous hazy and haze-free images［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW）．June 14-19，2020，Seattle，WA，USA．IEEE，2020：1798-1805．

[27] ANCUTI C O， ANCUTI C， SBERT M，et al ．Dense-haze：a benchmark for image dehazing with dense-haze and haze-free images［C］//2019 IEEE International Conference on Image Processing （ICIP），September 22-25，2019，Taipei，China． IEEE，2019：1014-1018．

[28] LIU X H， MA Y R， SHI Z H，et al ．GridDehazeNet：attention-based multi-scale network for image dehazing［C］//2019 IEEE/CVF International Conference on Computer Vision （ICCV）．October 27-November 2，2019，Seoul，Korea．IEEE，2020：7313-7322．

[29] DONG H， PAN J S， XIANG L，et al ．Multi-scale boosted dehazing network with dense feature fusion［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR），June 13-19，2020，Seattle，WA，USA． IEEE，2020：2154-2164．

[30] SU Y Z， WANG N， CUI Z G，et al ．Real scene single image dehazing network with multi-prior guidance and domain transfer［J］．IEEE Transactions on Multimedia，2025，27：5492-5506．

[31] WANG Z， BOVIK A C， SHEIKH H R，et al ．Image quality assessment：from error visibility to structural similarity［J］．IEEE Transactions on Image Processing，2004，13（4）：600-612．

基金资助

甘肃省高等学校产业支撑计划项目(2021CYZC-04)

Gansu University Industry Support Program(2021CYZC-04)