我的一些看法 about ridcp_dehazing

[RQ-Wu]

您好！关于合成用的数据我们已经在readme里放出链接了，训练用的数据是以online的方式进行合成的。我们的先验也能解决合成数据带来的domain gap的问题（比如后面的可控调节部分）。

关于“虽然在一些数据看似获得不错的结果”这一点，我们的代码已经开源了，您也可以进行比较，视觉上的效果在RTTS这个数据上是普遍有明显提升的，并非只是“一些数据”；另外“看似不错”这一点当然存在主观成分，您认为DAD效果更好也完全没有关系，不过我们在实验的过程中也发现DAD会在一些case上生成很不和谐的红色伪影，而RIDCP也确实获得了最高的US分数。

另外我们的User Study是以尽可能random的方式进行的（图片的挑选，study过程中显示的顺序等均为随机），我认为我们US指标是可靠可信的，并非是“所谓的US”。后面我们可以整理一下User Study的结果放在github上。

[Owen718]

To assess the actual contributions, we can leverage the haze rendering pipeline proposed in the paper and established dehazing networks like AECR-Net and FFA-Net to evaluate the practical impact of the codebook prior. Based on my experience, a well-designed codebook prior can effectively address domain gap issues in low-level tasks. Additionally, there is currently a lack of suitable metrics for objectively evaluating image quality when dehazing real-world images.

[tongchangD]

@mengxzh15 您好，请问你现在在去雾项目上用的是何种模型，我利用作者该仓合成了数据，并进行了一些训练，但在我真实数据上效果依旧欠佳，故来此寻求帮助，请问您最终话现在用的哪个模型法。作者的在线数据合成模块也是可以作为插件，扦插到其他的去雾代码中。

祝好
tongchangD

[tongchangD]

@mengxzh15 可能你是对的，我将作者的chm模型什么的都换掉了，直接换成了一个基础的Unet模型，使用相同的数据合成方案，结果是相差无几的。在真实数据上效果都比较差，我现在在尝试使用DAD的方案来合成数据。