1. 问题背景：雾天监控的致命缺陷

在智慧交通系统中，雾天环境导致监控图像存在三大问题：
对比度衰减：大气粒子散射导致图像灰白化
色彩失真：物体表面颜色被大气光淹没
细节丢失：关键信息（如车牌）被浓雾掩盖

传统方案：暗通道先验(DCP)、导向滤波等方法在浓雾场景下易产生光晕伪影，且实时性差（处理单帧>1s）

2. 基础模型：FFA-Net原理解析

原论文《FFA-Net: Feature Fusion Attention Network for Single Image Dehazing》核心创新：

2.1 三重关键技术

 

2.2 性能优势（RESIDE数据集）

局限性：在合成数据（RESIDE）上表现优异，但真实雾天场景仍存在色彩过饱和、局部伪影问题

 3. 改进方案：半监督混合损失函数

3.1 核心问题定位

原始FFA-Net的L1损失函数

loss = torch.nn.L1Loss()(output, ground_truth)

该损失函数完全依赖合成数据标签，导致：
- 真实雾图与合成数据分布差异大
- 过度依赖清晰图像监督信号

3.2 创新损失函数设计
结合暗通道先验物理规律与无监督约束：

def hybrid_loss(output, gt, real_hazy):
    # 监督损失（合成数据）
    supervised_loss = F.l1_loss(output, gt)  
    
    # 无监督损失（真实数据）
    dark_channel = DarkChannelPrior(output)  # 暗通道计算
    guided_loss = torch.mean(dark_channel) * 0.6  # 暗通道稀疏性约束
    
    # 感知损失（VGG特征匹配）
    percep_loss = PerceptualLoss(VGG19(output), VGG19(gt)) * 0.4  
    
    return supervised_loss + guided_loss + percep_loss

3.3 训练策略优化
        1. 两阶段训练：
           - Stage1：RESIDE数据集预训练（500k steps）
           - Stage2：真实雾图微调（20k steps）

        2. 数据混合策略：
   

4. 实战效果对比：真实雾天图像去雾效果

参考文献：
1. Qin et al. "FFA-Net: Feature Fusion Attention Network for Single Image Dehazing" arXiv:1911.07559
2. He et al. "Single Image Haze Removal Using Dark Channel Prior" TPAMI 2010