4KDehazeFlow: Ultra-High-Definition Image Dehazing via Flow Matching

📄 arXiv: 2511.09055v1 📥 PDF

作者: Xingchi Chen, Pu Wang, Xuerui Li, Chaopeng Li, Juxiang Zhou, Jianhou Gan, Dianjie Lu, Guijuan Zhang, Wenqi Ren, Zhuoran Zheng

分类: cs.CV

发布日期: 2025-11-12

💡 一句话要点

提出4KDehazeFlow，通过Flow Matching实现超高清图像去雾，提升色彩保真度。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图像去雾 Flow Matching 向量场 3D查找表 常微分方程 超高清图像 色彩保真度

📋 核心要点

  1. 现有基于先验的方法场景适应性有限，深度学习方法计算复杂度高且易产生颜色失真，超高清图像去雾面临挑战。
  2. 4KDehazeFlow将去雾建模为连续向量场流的优化，利用数据驱动的自适应非线性颜色变换实现高质量去雾。
  3. 实验结果表明，4KDehazeFlow在PSNR上提升了2dB，并在浓雾和色彩保真度方面优于现有方法。

📝 摘要（中文）

本文提出了一种基于Flow Matching和Haze-Aware向量场的超高清图像去雾方法4KDehazeFlow。该方法将去雾过程建模为连续向量场流的渐进优化，为高质量去雾提供高效的数据驱动自适应非线性颜色变换。4KDehazeFlow具有以下优势：通用性强，兼容各种深度学习网络；提出可学习的3D查找表（LUT），将雾霾变换参数编码为紧凑的3D映射矩阵，实现高效推理；利用四阶龙格-库塔（RK4）常微分方程（ODE）求解器，通过精确的逐步迭代方法稳定地求解去雾流场，有效抑制伪影。大量实验表明，4KDehazeFlow优于七种最先进的方法，在PSNR上提升了2dB，并在浓雾和色彩保真度方面表现更好。

🔬 方法详解

问题定义：超高清图像去雾旨在恢复被雾霾遮蔽的图像细节和色彩，现有方法主要存在两个痛点：一是基于先验的方法难以适应复杂多变的场景；二是深度学习方法计算量大，且容易引入颜色失真等伪影。因此，如何在保证去雾效果的同时，降低计算复杂度并提升色彩保真度是亟待解决的问题。

核心思路：论文的核心思路是将去雾过程建模为一个连续的向量场流，通过Flow Matching学习一个Haze-Aware的向量场，然后利用数值方法求解该向量场，逐步优化图像的清晰度。这种方法的核心在于利用数据驱动的方式学习去雾的非线性变换，避免了人为先验的限制，同时通过数值求解保证了变换的平滑性和稳定性。

技术框架：4KDehazeFlow的整体框架主要包含三个部分：1) Haze-Aware向量场学习模块，用于学习雾霾相关的向量场；2) 3D查找表（LUT）编码模块，将学习到的向量场参数编码到紧凑的3D映射矩阵中，加速推理过程；3) 常微分方程（ODE）求解模块，利用四阶龙格-库塔（RK4）方法求解向量场，逐步迭代优化图像清晰度。整个流程首先通过深度学习网络学习向量场，然后将向量场信息压缩到LUT中，最后利用ODE求解器进行图像去雾。

关键创新：该论文的关键创新在于以下几点：1) 将Flow Matching引入图像去雾领域，将去雾过程建模为连续向量场的优化；2) 提出了可学习的3D查找表（LUT），用于高效编码和推理雾霾变换参数，显著降低了计算复杂度；3) 利用四阶龙格-库塔（RK4）方法求解ODE，保证了数值解的稳定性和精度，有效抑制了伪影。与现有方法相比，该方法更加通用、高效且能更好地保持色彩保真度。

关键设计：在Haze-Aware向量场学习模块中，使用了深度学习网络（具体网络结构未明确说明，但兼容各种网络），通过最小化Flow Matching损失函数来学习向量场。3D LUT的大小是一个关键参数，需要根据实际情况进行调整，以平衡计算复杂度和精度。RK4求解器的步长也是一个重要参数，需要选择合适的步长以保证求解的稳定性和精度。损失函数的设计也至关重要，需要综合考虑去雾效果、色彩保真度和结构相似性等因素。

📊 实验亮点

实验结果表明，4KDehazeFlow在多个数据集上超越了七种最先进的去雾方法。在PSNR指标上，4KDehazeFlow平均提升了2dB，尤其在处理浓雾图像时表现更加出色。此外，该方法在色彩保真度方面也取得了显著的提升，有效避免了颜色失真等问题。这些实验结果充分验证了4KDehazeFlow的有效性和优越性。

🎯 应用场景

4KDehazeFlow在安防监控、自动驾驶、遥感图像处理等领域具有广泛的应用前景。在安防监控中，可以提升雾霾天气下的监控图像质量，提高目标检测和识别的准确率。在自动驾驶中，可以增强车辆在恶劣天气下的感知能力，提高驾驶安全性。在遥感图像处理中，可以去除大气雾霾的影响，提高图像解译的精度。该研究的成果有助于推动相关领域的发展，并带来显著的社会和经济效益。

📄 摘要（原文）

Ultra-High-Definition (UHD) image dehazing faces challenges such as limited scene adaptability in prior-based methods and high computational complexity with color distortion in deep learning approaches. To address these issues, we propose 4KDehazeFlow, a novel method based on Flow Matching and the Haze-Aware vector field. This method models the dehazing process as a progressive optimization of continuous vector field flow, providing efficient data-driven adaptive nonlinear color transformation for high-quality dehazing. Specifically, our method has the following advantages: 1) 4KDehazeFlow is a general method compatible with various deep learning networks, without relying on any specific network architecture. 2) We propose a learnable 3D lookup table (LUT) that encodes haze transformation parameters into a compact 3D mapping matrix, enabling efficient inference through precomputed mappings. 3) We utilize a fourth-order Runge-Kutta (RK4) ordinary differential equation (ODE) solver to stably solve the dehazing flow field through an accurate step-by-step iterative method, effectively suppressing artifacts. Extensive experiments show that 4KDehazeFlow exceeds seven state-of-the-art methods. It delivers a 2dB PSNR increase and better performance in dense haze and color fidelity.