编辑推荐：
雾霾可见度评估方法与数据集构建，提出基于排名学习的HVE模型，通过深度特征提取、融合模块与MVG模型实现参考无可见度评分，采用加权 hinge 排名损失提升细粒度区分能力，实验验证其优于现有方法。
Zan Chen|Yu Cao|Yuanjing Feng|Xingsong Hou|Xueming Qian
浙江工业大学，同时隶属于浙江复杂系统智能感知与控制重点实验室，中国杭州市刘河路288号，310023
摘要
基于图像的量化雾天能见度评估对于大气科学和计算机视觉都至关重要。现有方法通常依赖于带有精确标注的能见度标签的数据集。然而，真实世界中标记数据的稀缺性严重限制了这些方法的可扩展性和实际应用。为了解决这个问题，我们引入了HZSC，这是一个从交通监控摄像头收集的雾天能见度数据集。该数据集包含36个不同的室外场景，每个场景包含20张按雾天能见度级别排序的图像。同时，我们提出了雾天能见度评估器（HVE），用于无参考图像的雾天能见度评估。HVE由三个关键组成部分构成：深度特征提取器、雾天能见度特征提取器和特征融合模块。融合后的特征被输入到学习到的无雾和有雾的多变量高斯（MVG）模型中，以生成雾天能见度分数。在训练过程中，我们设计了一个基于成对监督的评分排序框架，并采用加权铰链排名损失来提高对细微能见度变化的区分能力。在公共MRFID数据集和我们收集的HZSC数据集上的广泛实验表明，我们的HVE始终优于现有的最先进方法。我们的数据集示例可以在
https://github.com/ZanChen1/HLVRS处获取。
引言
雾天能见度是指在雾存在的情况下，观察者能够清晰识别物体或辨别对比度的最远距离[1]，[2]。准确的雾天能见度估计对于空气质量评估、天气预报以及低能见度环境下的场景理解至关重要[3]，[4]，[5]。它还是评估去雾图像质量的关键指标[6]，[7]，[8]，并支持自动驾驶导航、环境监测和通过大规模雾分析进行的灾害响应等任务[9]，[10]，[11]，[12]。因此，开发可靠的雾天能见度估计方法对于室外场景理解、图像增强以及安全关键系统中的智能决策至关重要。
传统的雾天能见度评估方法要么依赖于人工观察——这本质上是主观的，并且观察者之间可能存在不一致性——要么需要使用散射计、透射计和激光雷达等专业仪器[13]，[14]。这些仪器需要复杂的安装和精确的校准。相比之下，基于图像的能见度估计相比传统的基于传感器的方法具有两个主要优势。首先，它利用了已经部署的城市范围监控摄像头网络，无需额外硬件安装即可实现细粒度的空间覆盖。其次，基于图像的方法通过在关键道路段提供场景级别的、可视觉解释的能见度信息，补充了传统气象传感器的作用。这些特性使得基于图像的能见度估计特别适合智能交通系统[15]，[16]，[17]。
然而，基于图像的雾天能见度估计面临几个重大挑战[18]，[19]。首先，交通场景本身就很复杂，前景和背景都在动态变化。此外，不同场景中具有相似能见度水平的图像可能存在很大差异，而同一场景中但能见度水平不同的图像往往只显示出微小的差异[20]，[21]，[22]。因此，从单张图像中准确提取与雾相关的特征本身就很困难。最关键的是，根据统一的标准收集大量带有精确能见度分数的图像仍然是一个主要瓶颈，这阻碍了使用基于回归的损失函数训练深度学习模型[23]，[24]，[25]。这些挑战使得从监控图像中估计雾天能见度成为一项非平凡的任务。
为了解决这些挑战，我们提出了一种新的评分排序框架，并设计了一个雾天能见度评估器（HVE）来进行雾天能见度估计。受到图像恢复和质量评估中排名学习成功经验的启发[26]，[27]，[28]，我们将这一范式应用于雾天能见度估计任务，弥合了雾天能见度预测和基于学习的排名方法之间的差距。如图1所示，我们的框架使用排名标签将无序的图像集组织成从重雾到晴朗条件的雾天能见度排序序列。
具体来说，我们设计了一个深度网络来提取与雾天能见度相关的特征，然后将这些特征输入到两个学习到的有雾和无雾的多变量高斯（MVG）模型中。接着，计算类似马氏距离的指标来得出最终的雾天能见度分数。与依赖精确标注的能见度值的传统深度学习方法不同，我们的方法使用相对排名标签（例如，“图像A比图像B更清晰”），显著减少了标注负担，同时提高了效率和可靠性。在模型训练中，我们采用了加权成对铰链损失，以增强模型对细微能见度变化的敏感性。此外，我们还采用了更强大的变体——加权成对铰链损失，进一步提高了在具有挑战性的雾天能见度排名场景中的性能。
总之，所提出的HVE将能见度评估问题重新定义为评分排序框架内的一个排名任务。通过利用能见度排名标签，我们的方法实现了更准确的雾天能见度估计。本工作的主要贡献如下：
- •
我们构建了一个包含36个室外场景的真实世界雾天能见度图像数据集，每个场景包含20张从重雾到无雾平滑排序的图像，涵盖了多种交通场景。
- •
我们引入了一种新的评分排序框架用于雾天能见度估计，该框架利用由排名标签监督的成对排名损失。为了提高区分能力和准确性，排名损失通过标签差异进行加权，以更好地区分细微的能见度变化。
- •
我们在公共数据集和我们的HZSC数据集上进行了全面实验。广泛的实验一致表明，我们的方法在基于图像的雾天能见度评估方面优于现有的竞争方法。
部分摘录
雾天能见度评分方法
基于手工制作的方法。使用现有的道路监控摄像头来估计气象信息（如能见度分数）具有低成本和密集部署的优势。之前的研究已经探索了使用图像来评估雾天能见度，依赖于手工制作的特征[29]，[30]。为此目的，选择了与雾密度相关的能见度感知特征。例如，FADE模型[31]选择了十二个统计特征，如低对比度、淡色等
框架概述
我们的雾天能见度评分排序框架的总体架构如图2所示。我们的雾天能见度评估器（HVE）通过将输入图像映射到雾天能见度分数来预测其雾天能见度。通过比较图像对之间的能见度关系，我们构建了一个能见度关系矩阵并得出相应的能见度排名分数。然后根据它们的能见度排名分数降序排序图像
实施细节
为了比较，手工制作的方法是在MATLAB中实现的，而基于深度学习的方法则是使用PyTorch实现的。我们使用作者提供的源代码实现了所有比较方法。所有实验都在配备有2.5 GHz Intel i7 CPU和24 GB内存的NVIDIA TITAN GPU的PC上进行的。我们使用之前研究[53]中预训练的参数初始化了深度特征分支。Adam优化器使用默认参数
结论
在这项研究中，我们提出了一种新的雾天能见度评估方法，该方法利用评分排序框架实现了无参考图像的雾天能见度评估。通过将能见度估计重新定义为排名任务，该方法消除了对精确能见度标注的需求。这种方法不仅简化了标注过程，提高了其可靠性，还利用了人类感知的一致性，增强了标注的可扩展性，并实现了更强大的
CRediT作者贡献声明
Zan Chen：撰写——原始草稿、方法论、概念化。Yu Cao：撰写——审阅与编辑、软件开发、数据管理。Yuanjing Feng：监督、项目管理。Xingsong Hou：形式分析。Xueming Qian：形式分析。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
