利用 YCbCr 颜色空间引导的真实图像去雾

基于摘要分析。本文研究真实图像去雾，针对仅依赖 RGB 时纹理难以恢复、容易残留雾霾，以及真实有雾/清晰图像对难以获取的问题，提出 Structure Guided Dehazing Network（SGDN）和 Real-World Well-Aligned Haze dataset，分别从特征引导与监督数据两方面改进去雾。 SGDN 包含 Bi-Color Guidance Bridge（BGB）与 Color Enhancement Module（CEM）。作者认为 YCbCr 特征具有优于 RGB 的结构属性：BGB 结合相位整合模块与交互注意力模块，用 YCbCr 的纹理信息引导 RGB 特征，在频域和空间域恢复更清晰的表示；CEM 聚合 YCbCr 通道信息，增强 RGB 特征的色彩感知，以维持色调一致性。摘要未提供相位整合的具体运算、注意力实现、损失函数或训练与推理配置，这些细节尚未验证。 数据方面，作者介绍的新数据集覆盖不同地理区域、气候条件及多样场景，旨在支持真实去雾的监督学习。其样本规模、图像配对与对齐流程、训练测试划分及数据获取条件尚未验证。作者报告，在多个真实烟雾/雾霾数据集上，该方法优于现有最先进方法；但摘要未列出具体数据集、对照基线、指标或数值，因此无法核对优势幅度及不同评估协议的可比性。实验协议、消融及统计信息尚未验证。 本文的主要贡献属于图像复原，机制依赖 RGB 与 YCbCr 之间的颜色表示互补关系。现有材料没有提供其与 EEG/BCI 信号处理的具体对应机制，不据此提出迁移效果或复现实验建议；已有 EEG 相关工作尚未检索确认。来源分类中的 State space models 也不足以证明本文采用了状态空间模型。