PRISM：散乱した大気の再構築を、統一的な理解と生成モデルとして再考し、実世界の除霧に向けて

Abstract

現実世界の画像除霧（RID）は、実環境において生じるヘイズ（もや）による劣化を取り除くことを目的とします。しかし、この課題は、ヘイズ分布が一様でないこと、複数の光源からの空間的に変化する照明が存在すること、そして実際の「霧あり／霧なし」ペアデータが乏しいことにより、依然として難しいままです。PRISMでは、大気散乱モデルのもとで、明瞭なシーンと散乱変数を同時に再構成する、物理的に構造化された枠組みである近接散乱大気再構成（Proximal Scattered Atmosphere Reconstruction: PSAR）を提案します。これにより、複雑な領域や混在光条件における信頼性を向上させます。合成から実環境へのギャップを埋めるために、非ペアの現実シナリオ向けのオンライン非一様ヘイズ合成パイプラインと、選択的自己蒸留適応（Selective Self-distillation Adaptation）方式を設計します。これにより、モデルが固有の散乱理解を活用して残存するヘイズを監査し、自身の自己洗練（self-refinement）を導きながら、高品質な知覚ターゲットから選択的に学習できるようになります。現実世界のベンチマークに対する大規模な実験の結果、PRISMはRIDタスクにおいて先端（state-of-the-art）の性能を達成することが示されました。