RTE-FM-Dehazer：辐射传输方程启发的流匹配，用于现实世界图像去雾

单图像去雾旨在从模糊图像中恢复清晰的场景，通常被表述为图像到图像的转换任务；然而，它面临两个限制。其性能在很大程度上取决于模型中嵌入的雾霾形成先验。主流方法采用大气散射模型（ASM），其单次散射和均匀介质的假设经常被违反，导致残留雾度和颜色漂移。此外，收集大规模的真实模糊/透明对是不切实际的，并且现有的合成方法无法再现自然雾的全部复杂性。为了解决这些问题，我们提出了 RTE-FM-Dehazer，一种新颖的去雾方法以及可扩展的数据管道。与 ASM 不同，辐射传递方程 (RTE) 共同考虑了散射和吸收，自然地适应了表征真实雾霾场景的非均匀、多重散射介质。受流量匹配中 RTE 扩散吸收项与 ODE 之间结构相似性的启发，我们引入了一种源自简化 RTE 的扩散吸收正则化器，以引导每一步的流量匹配轨迹。接下来，利用现代视觉语言模型，我们构建了一个自动化管道并发布了 P-HAZE，这是一个包含 50000 个真实模糊/清晰对的数据集。广泛的评估表明，仅在 P-HAZE 上进行训练的 RTE-FM-Dehazer 可以有效消除残余雾度和颜色漂移等伪像，表现出强大的跨域泛化能力，并在五个现实世界的去雾基准测试中取得了领先的结果。