CLIP-Guided Data Augmentation for Night-Time Image Dehazing
该论文提出了一种面向 NTIRE 2026 夜间图像去雾挑战的统一框架，通过利用预训练 CLIP 视觉编码器筛选外部数据以构建域对齐的训练集，结合 NAFNet 的两阶段训练策略及推理时的多技术融合增强，在无需复杂网络重构的情况下有效解决了夜间去雾任务中因光照复杂和样本稀缺导致的域漂移与训练不稳定问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文讲述的是如何解决**“夜间大雾天拍照看不清”**这个难题。想象一下，你晚上开车，路灯昏黄，空气中还有雾气，车灯的光晕散开，远处的景物一片模糊。这时候，电脑想帮我们把照片变清晰，比白天大雾天要难得多。
作者团队参加了一个名为"NTIRE 2026"的图像修复比赛，他们提出了一套**“三步走”的聪明策略，没有去硬造一个超级复杂的“大脑”（网络模型），而是通过“找对老师”、“分步学习”和“集思广益”**来解决问题。
下面用三个生活中的比喻来解释他们的核心方法：
1. 第一步：找对“老师” (CLIP 引导的数据筛选)
问题： 想要教电脑修图，需要很多“模糊照片”和“清晰照片”的配对数据。但是，夜间的配对数据非常少（就像只有 25 本教材）。如果直接拿白天的大雾数据（比如几千本）来教，电脑会“水土不服”，因为白天和晚上的光线、颜色完全不同，教错了反而坏事。
解决方案： 他们请了一位**“超级图书管理员”（CLIP 模型）**来帮忙。
- 比喻： 想象你要教一个学生学“夜间开车”。你有一堆教材，但大部分是“白天开车”的。如果直接全塞给他，他会学晕。于是，你请了一位懂行的图书管理员（CLIP），让他把那些**“看起来像晚上”**的白天教材挑出来。
- 做法： 管理员用一种“视觉相似度”的尺子，把那些光线、氛围和夜间目标最接近的白天数据挑出来（比如只挑了 34 张），和原本的 25 张夜间数据凑成一套**“精选教材”（共 59 张）**。这样，学生学的都是“对味”的知识，不会走偏。
2. 第二步：分阶段“特训” (两阶段训练)
问题： 即使挑了精选教材，白天和晚上的本质区别还在。如果一开始就混着学，学生可能会先入为主，把白天的习惯带到晚上，导致晚上修图时把路灯的光晕修没了，或者把暗处的噪点修得更乱。
解决方案： 他们采用了**“先专后博”的两阶段训练法**。
- 比喻： 就像练武术。
- 第一阶段（打基础）： 先只练那 25 张真正的夜间教材。让模型先彻底搞懂“晚上”是什么样子的，记住夜间特有的昏暗、光晕和噪点。这时候，它是个“夜间专家”。
- 第二阶段（开眼界）： 在已经学会夜间特点的基础上，再把那些精选的白天教材加进来。这时候，模型已经知道“晚上”的规矩了，它就能从白天数据里吸收一些通用的去雾技巧（比如怎么去除雾气），而不会被白天数据带偏。
- 效果： 这样既保证了模型懂“夜间”，又让它见识了更多样的去雾方法，变得更强壮。
3. 第三步：集思广益“投票” (推理时的增强)
问题： 就算模型训练好了，单次预测（只让模型看一次图）可能还是会偶尔犯错，或者细节不够稳。
解决方案： 在真正处理图片时，他们用了**“三管齐下”**的投票策略。
- 比喻： 就像你要做一个重要的决定，不会只听一个人的意见，而是：
- 多角度观察（自集成）： 把照片上下左右翻转、旋转，让模型看 8 遍，然后取平均值。就像一个人从不同角度观察一个物体，综合起来看得更准。
- 老中青结合（快照融合）： 模型在训练过程中，第 8 万次、第 10 万次、第 20 万次时都存了一份“快照”（就像学生不同时期的作业）。他们把这三份作业结合起来，最晚期的作业（20 万次）权重最大，因为那时候它学得最好；早期的作业作为辅助，防止它“过拟合”（死记硬背）。
- 局部微调（TLC）： 专门针对照片里光线复杂的小区域进行精细调整，确保路灯不晕、暗处不黑。
总结
这篇论文的核心思想不是去造一个更复杂的“超级大脑”，而是优化“学习过程”：
- 选书： 用 AI 管理员挑出最合适的教材，避免“水土不服”。
- 分步学： 先专攻夜间，再吸收白天精华，循序渐进。
- 多投票： 通过多角度观察和结合不同时期的经验，让最终结果更稳、更清晰。
结果： 这套方法在保持亮度和结构清晰度上效果很好（就像把雾里的路看得更清楚了），但在色彩还原和整体观感上还有提升空间。这就像是一个务实的工程师方案：不追求花哨的架构，而是通过巧妙的数据管理和训练策略，用有限的资源解决了最棘手的问题。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。