DehazeNet图像去雾实战：PyTorch复现与预训练模型推理全流程

简介：本资源是面向深度学习初学者与图像复原研究者的PyTorch版DehazeNet去雾实现方案，聚焦单幅图像雾霾去除这一经典低层视觉任务，适用于遥感、自动驾驶、监控视频增强等实际场景。压缩包共21个文件（114KB），包含9个核心Python模块（如net.py定义网络结构、train_*.py支持室内外数据集训练）、2个预训练.pth模型（best_indoor.pth与best_outdoor.pth）、3个MATLAB辅助函数（guidedfilter.m等用于对比验证）及完整readme与说明文档，结构清晰、开箱即用。已有40人学习下载，用户可直接加载预训练权重进行推理演示，亦能基于现有代码快速开展消融实验、数据增强或网络改进。项目兼顾工程实用性与教学可读性，所有模块解耦明确，便于理解DehazeNet的特征提取、多尺度融合与端到端优化机制。 图像去雾这个方向，很多年了一直没凉过。从早期的暗通道先验，到后来的深度学习算法，再到如今各种基于CNN和Transformer的端到端网络，学术界和工业界都投入了大量的研究。不过真正常被拿来当基线、跑通就能用的经典网络并不多，DehazeNet算一个。网上关于它的论文解读不少，但大多只讲了原理，真正把PyTorch复现、预训练模型加载、图像恢复全流程跑通的文章很少。这篇文章就基于我实际跑过的一个项目，把DehazeNet的完整实现过程掰开揉碎讲清楚，顺便把我踩过的坑和优化的细节一并整理出来，希望看完这篇内容，你也能顺利跑出满意的去雾效果。

DehazeNet是2016年提出的一种基于CNN的单图像去雾网络，核心思想是通过卷积神经网络直接估计雾图的透射率，再结合大气散射模型恢复出清晰图像。相比传统方法，它不需要手工设计特征，端到端训练，推理速度快，而且效果稳定。用PyTorch实现这个网络，配合训练好的预训练模型，几行代码就能完成单张图片的去雾处理。

这篇文章适合这几类读者：刚入门图像去雾、想跑通一个经典算法练手的研究生；需要在工程里快速集成去雾模块的开发者；以及对PyTorch模型训练和推理流程还不熟悉，想通过一个完整项目加深理解的同学。

1. 项目背景与整体设计思路

1.1 图像去雾的技术本质

先来聊一个核心问题：雾天图像到底是怎么形成的？为什么看起来灰蒙蒙的？

其实在计算机视觉里有一个非常经典的大气散射模型，它把雾图建模成清晰图像和大气光的线性组合。公式长这样：

I(x) = J(x) * t(x) + A * (1 - t(x))

其中I(x)是观测到的雾图，J(x)是我们要恢复的清晰图像，A是全局大气光，t(x)是透射率图。透射率反映了光线穿过雾气到达相机的衰减程度，取值范围在0到1之间，雾越浓，透射率越低。

这个公式是整个去雾任务的理论基础。给定一张雾图I，如果我们能估计出大气光A和透射率t，恢复清晰图像J就是一个简单的代数运算。所以几乎所有基于物理模型的去雾算法，本质上都在解决同一个问题：怎么把透射率图估准。

DehazeNet的定位非常明确，它就是不做任何手工先验，直接训练一个CNN，输入雾图，输出透射率图。整个系统的关键点就在这个透射率估计网络上面。

1.2 为什么选择DehazeNet

去雾算法发展到现在，大体经历了三个时代。第一代是传统的图像增强方法，比如直方图均衡化、Retinex等，简单但物理意义不足，容易产生颜色失真。第二代是基于物理模型的先验方法，最典型的就是何恺明提出的暗通道先验，效果不错，但处理天空区域容易偏色、耗时也高，需要配合导向滤波等优化手段。第三代就是深度学习方法，思路各不相同：有的直接端到端生成清晰图（如AOD-Net），有的先估计透射率再恢复（如DehazeNet、MSCNN）。

我为什么在这个项目里选了DehazeNet，有几点考虑：

第一，它的设计思路涉及的知识点非常完整。网络结构包含多尺度特征提取、拼接融合、局部极值约束、非线性激活等经典操作，训练过程涉及合成数据生成、损失函数设计、模型评估指标，很适合作为学习图像去雾的入门项目。

第二，它的规模适中。DehazeNet是一个很轻量的网络，参数量只有几百万级别，CPU上都能跑推理。不像现在很多SOTA模型动辄上亿参数，需要多卡训练。用好DehazeNet能让你把整个训练和推理链路吃透，而不是把时间浪费在调参和等训练上。

第三，效果上限不低。虽然DehazeNet不是目前效果最好的算法，但它的输出结果经过适当的后处理，比如配合导向滤波细化透射率，能达到比较专业的去雾水平，在很多实际场景下已经够用。

1.3 系统总体架构设计

我搭建这个系统的时候，没有只做一个孤立的模型文件，而是设计成了一个完整的处理流程。这个流程从输入一张雾图开始，到输出清晰图结束，中间主要包含四个模块：

雾图输入之后，先做预处理，包括尺寸调整和归一化；然后进入DehazeNet模型，得到透射率估计；接着通过暗通道方法计算大气光；最后把大气光和透射率代入大气散射模型的反演公式，得到恢复后的清晰图像，再做一次后处理输出。

这个设计思路借鉴了很多去雾工具箱的做法，但我在实现细节上做了不少调整，比如归一化方式的选择、大气光计算时的稳健性处理、输出图像的范围裁剪等。这些细节在后面的章节里会逐一展开，每一步改动都是有原因的。

2. 环境准备与依赖安装

2.1 PyTorch环境搭建

既然是"基于PyTorch"的项目，环境搭建是绕不开的第一步。这里我假设你已经在电脑上装好了Python和Anaconda，如果还没有，建议先装Anaconda，用它来管理虚拟环境非常方便，可以避免不同项目之间的依赖冲突。

我的建议是用conda创建独立的环境，不要把依赖安装到base环境里。具体命令如下：

conda create -n dehaze python=3.9 -y conda activate dehaze

然后安装PyTorch。这里要特别注意，不同版本的PyTorch安装命令不一样，需要根据你的CUDA版本和硬件来选。如果用的是NVIDIA显卡，推荐安装GPU版本，速度会快很多。如果只是学习或者没有独显，安装CPU版本也完全能跑通这个项目，只是训练和推理慢一些。

# 有NVIDIA显卡，安装CUDA 11.8版本对应的PyTorch pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # 或者没有显卡，安装CPU版本 pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu

这里有一个容易踩的坑：如果你本机已经装了CUDA，但安装PyTorch时版本不匹配，运行时不会报错，但你调用torch.cuda.is_available()会一直返回False，然后你就只能用CPU慢慢跑。所以装完之后一定要先验证一下：

import torch print(torch.__version__) print(torch.cuda.is_available())

如果显卡驱动是支持的CUDA版本，但PyTorch识别不了，多半是安装的PyTorch版本对应的CUDA比你本机驱动支持的CUDA更高。这时候换个低一点的CUDA版本重新装即可。这个排查思路在第六章会再讲。

2.2 依赖清单与项目结构

除了PyTorch之外，这个项目还需要几个常用的Python库。我在requirements.txt里是这样写的：

torch>=1.13 torchvision>=0.14 numpy>=1.21 opencv-python>=4.5 pillow>=9.0 matplotlib>=3.5 scipy>=1.7

scipy用来做导向滤波里的某些矩阵运算，但其实opencv也有引导滤波的实现，看个人习惯。OpenCV负责图像I/O和基本图像处理，比如缩放、颜色空间转换。如果不想装OpenCV，也可以用Pillow+NumPy替代，但OpenCV更顺手，处理速度也快。

接下来是项目目录结构。一个清晰的结构能让你后续维护省很多心，我采用的是这样一个布局：

dehazenet_pytorch/ ├── models/ │ ├── __init__.py │ └── dehazenet.py # DehazeNet网络定义 ├── utils/ │ ├── __init__.py │ ├── data_utils.py # 数据集加载与预处理 │ ├── image_utils.py # 图像I/O与后处理 │ └── haze_model.py # 大气散射模型辅助函数 ├── pretrained/ │ └── dehazenet.pth # 预训练权重文件 ├── test_images/ │ └── hazy_input.jpg # 测试图片 ├── run_inference.py # 单图/批量推理入口 ├── train.py # 训练脚本 └── requirements.txt

这样的结构把网络定义、工具函数、模型权重、推理入口分开，每一层职责清楚。后面要加新的功能，比如视频去雾、批量处理文件夹，只需要新写一个脚本调用已有的模块就行。

2.3 预训练模型获取

DehazeNet的官方权重是Caffe框架下训练的。如果直接拿Caffe的权重转到PyTorch，流程比较麻烦，得先把Caffe的模型和参数读出来，再一层层映射到PyTorch的state_dict。我在项目里其实用的是一份从训练数据上重新训练得到的PyTorch权重，这样避免了框架转换的坑，效果也和原论文的指标基本一致。

如何获取预训练模型？通常有几个途径：一是从论文作者的GitHub仓库找Caffe版本，再转换；二是网上有人分享的PyTorch基础权重；三是自己用RESIDE数据集子集训练。我最推荐第三种，因为训练一个DehazeNet在我的显卡上大概只需要几个钟头，后面我会讲训练细节，而且自己训练出来的模型对数据分布更有感觉，出了问题也好排查。

不过，既然标题说了"附预训练模型"，我也会在后续的小节里详细讲解权重文件的加载方法和验证方法，包括PyTorch 2.6版本里torch.load的weights_only参数这个新坑。

3. DehazeNet核心原理与网络结构解析

3.1 大气散射模型的数学推导

再回到那个公式：I(x) = J(x) * t(x) + A * (1 - t(x))。我们要从I推测J，就需要知道t和A。如果t和A都准确，那J的计算就是：

J(x) = (I(x) - A) / t(x) + A

这个公式里有一个非常隐蔽的坑：当t趋近于0的时候，除法会爆炸。所以在实际实现中，不能直接用原公式，需要加一个下界保护，把t限制在[t0, 1]范围内，t0通常取0.1。也就是说：

J(x) = (I(x) - A) / max(t(x), 0.1) + A

这样一来，即使某个区域的透射率被估计得接近0，也不会出现无穷大的像素值。这个下界保护在图像恢复中是常规操作，但如果你没做过，第一次写恢复代码时多半会漏掉。

还有一个关键点：大气光A是一个标量还是非均匀的？这里做了简化，把A看作全局常数，用同一个大A作用于所有像素。这样做的好处是计算简单，坏处是遇到远景和近景光照差异大的场景时，可能会出现局部偏色。不少论文做过自适应大气光的改进，但对基础版DehazeNet来说，全局A够用了。

3.2 网络结构四段式设计

DehazeNet的论文把网络分成了四个模块：特征提取、多尺度映射、局部极值、非线性回归。我来逐一拆解。

特征提取模块：输入是三通道的雾图，网络用3x3、5x5、7x7三种不同尺寸的卷积核并行提特征，每种卷积核输出16个通道，然后把三个分支的结果在通道方向上拼接，得到48通道的特征图。为什么要用多种尺寸的卷积核？因为雾的浓度在不同尺度上的表现是不一样的，小卷积核感受野小，适合捕捉细节纹理，大卷积核感受野大，适合捕捉整体的雾浓度变化。这种多尺度设计让网络能同时感知不同范围内的透射率变化。

多尺度映射模块：这个模块把48通道的特征图经过两层卷积降维到24通道，再接一个24通道到24通道的卷积层。这一部分的作用是对特征进行非线性变换和融合，让网络能表达更复杂的映射关系。原论文里的卷积层顺序和通道数我在这里按最常复现的版本给出，稍后代码里能看到。

局部极值模块：对特征图做步长为1的7x7最大池化。这个操作借鉴了暗通道先验的思路——局部区域的透射率变化是平滑的，取局部最大值可以让透射率图更平滑，同时也能抑制噪声的影响。池化窗口大小是个超参数，论文用的是7x7，你也可以尝试5x5或9x9，效果略有差别。

非线性回归模块：最后用一个1x1的卷积把24通道映射到1通道，得到透射率图。在输出之前，网络用了一个非常特殊的激活函数叫BReLU（双边ReLU）。ReLU是max(0, x)，BReLU则是min(max(0, x), 1)，把输出限制在0到1之间，这和透射率的物理定义完美匹配。这也是DehazeNet一个非常有代表的细节。

3.3 BReLU激活与损失函数

BReLU在PyTorch里实现起来非常简单，一个torch.clamp就搞定了。

import torch import torch.nn as nn class BReLU(nn.Module): def __init__(self, upper=1.0): super(BReLU, self).__init__() self.upper = upper def forward(self, x): return torch.clamp(x, 0, self.upper)

有的复现版本把BReLU做成可学习的，上下界作为可训练参数，但原论文用的是固定边界，我也推荐固定边界，简单稳定。

训练时使用的损失函数是均方误差（MSE），直接计算模型输出的透射率图和真实透射率图的逐像素差异。为什么用MSE而不是其他损失？因为透射率图的恢复是一个回归任务，MSE对大的误差惩罚更重，能让网络把注意力集中在估计偏差大的区域，收敛也相对稳定。不过MSE也有个缺点，它倾向于把结果平均化，导致预测的透射率图偏平滑，这在细节恢复上有一定影响。如果想进一步改善，可以考虑在MSE基础上加一个结构相似性损失，但那是改进方向了，基础版用MSE就够。

训练数据的生成也是一个值得讲的主题。通常会模拟大气散射模型，用清晰图像和随机的大气光和透射率合成雾图。合成时透射率图一般不用常数，而是用随机深度渐变或者随机斑点来模拟真实场景的雾浓度变化。数据生成这一步直接决定了模型在真实雾图上的泛化能力，做得越好，模型越鲁棒。

4. 模型推理与图像恢复实现

4.1 透射率估计流程

推理阶段的第一个环节，就是把输入图片喂给DehazeNet，拿到透射率图。

在实际代码里，需要注意三点。第一，输入图片要归一化到0到1之间，因为网络训练时就是在0到1范围内进行的，如果直接输入0到255的像素值，模型输出的结果会偏移。第二，PyTorch模型的输入维度是(B, C, H, W)，所以要先转成张量，扩张batch维度，再交给模型。第三，网络输出的是这个batch内的透射率图，需要经过squeeze去掉batch维才能做后续处理。

批处理的模板我放在后面的4.4节，这里先看单张图片的预测：

import cv2 import torch import numpy as np from models.dehazenet import DehazeNet def estimate_t(model, image): # image: HWC uint8 范围的BGR图像 img = image.astype(np.float32) / 255.0 img_tensor = torch.from_numpy(img).permute(2, 0, 1).unsqueeze(0) model.eval() with torch.no_grad(): t = model(img_tensor) t = t.squeeze().cpu().numpy() return t

这样得到的t就是一张和输入图像同样尺寸的透射率灰度图。它的值基本在0到1之间，雾浓的地方值小，雾淡的地方接近1。如果想可视化，可以把t乘以255保存成灰度图看一眼，能直观感受到网络对场景深度的估计能力。

这里有一个隐藏的细节：如果输入图像的尺寸不是4的倍数 or 奇数，某些下采样层可能导致尺寸不匹配。DehazeNet没有传统意义上的下采样层，池化用的都是步长1的池化，所以理论上任何尺寸都能处理，但为了统一和稳妥，推理脚本里通常会先做一个尺寸归一化。我在项目里就统一把图片短边resize到512，这样既保证了速度，也避免了过小图片的边缘效应。

4.2 大气光计算策略

透射率有了，还差大气光A。大气光表示的是无穷远处雾的亮度，也就是天空区域的像素值。经典的做法是暗通道先验法：先计算图像的暗通道，然后在暗通道中取亮度最高的前0.1%像素，把这些像素位置对应到原图上，取它们的平均颜色作为大气光。

这里的逻辑是：暗通道中最亮的区域通常对应的是天空或者最远处的雾区，这些区域几乎没有纹理，亮度接近大气光。

我写的计算函数如下：

def estimate_atmospheric_light(image, dark_channel, top_percent=0.001): h, w = dark_channel.shape num_pixels = h * w top_count = max(int(num_pixels * top_percent), 1) flat_dark = dark_channel.flatten() indices = np.argpartition(flat_dark, -top_count)[-top_count:] top_pixels = image.reshape(-1, 3)[indices] A = np.mean(top_pixels, axis=0) return A

这个函数里用到np.argpartition而不是直接argsort，是因为argsort是全排序，复杂度高，而argpartition只需要找出前top_count个，速度快很多。图像分辨率高时，这个性能差距会非常明显。

还有一点要提醒：如果图像整体都是雾蒙蒙的，没有明显的天空区域，这种取最亮像素的做法可能把前景里的白色物体误判成大气光，导致恢复结果偏暗。这个问题的鲁棒性改进方案有很多，比如基于位置加权的天空检测，但基础版就用经典暗通道法就行。

4.3 图像恢复与后处理

推理的最后一步，把大气光和透射率代入恢复公式，得到清晰图像。

def recover_image(image, t, A, t0=0.1): # image: 归一化到0-1的HWC浮点图像 # t: 归一化到0-1的透射率图 t = np.clip(t, t0, 1.0) t = np.expand_dims(t, axis=-1) # 扩展为H,W,1以便广播 A = A.reshape(1, 1, 3).astype(np.float32) / 255.0 J = (image.astype(np.float32) - A) / t + A J = np.clip(J, 0, 1) return J

注意这里有几个细节：t做了下界截断，防止除零；A除以255是因为前面归一化到了0-1范围；最终结果clip到0-1。这样恢复出来的J就是0-1范围的浮点图像，需要乘255转回uint8才能保存显示。

其实做完这些，一张图的基本去雾流程就闭环了。但有一个常见的改进步骤值得做——在恢复之前对透射率图做一次导向滤波。DehazeNet直接输出的透射率图虽然整体准确，但在边缘处容易产生光晕伪影，因为网络对精细边缘的预测不够锐利。导向滤波能在保留边缘信息的同时平滑透射率图，显著改善恢复结果的自然度。

我用的导向滤波实现来自opencv的ximgproc模块，当然也可以用scipy自己写。核心思想是以原图的灰度图作为引导图，对透射率图进行滤波。参数里radius和eps需要调，我实测下来radius=40, eps=1e-3时效果比较均衡。

4.4 批量推理模板

实际项目中很少只处理一张图，通常是把一个文件夹里的图片批量去雾。我写的批量推理脚本如下：

import os import cv2 import torch from models.dehazenet import DehazeNet from utils.image_utils import load_image, save_image, guided_filter def batch_dehaze(model, input_dir, output_dir): os.makedirs(output_dir, exist_ok=True) files = [f for f in os.listdir(input_dir) if f.lower().endswith(('.jpg', '.jpeg', '.png', '.bmp'))] for idx, fname in enumerate(files): img_path = os.path.join(input_dir, fname) img = cv2.imread(img_path) if img is None: print(f"读取失败: {img_path}") continue # 预处理：归一化 img_norm = img.astype(np.float32) / 255.0 # 转张量推理 img_tensor = torch.from_numpy(img_norm).permute(2, 0, 1).unsqueeze(0) with torch.no_grad(): t = model(img_tensor).squeeze().cpu().numpy() # 大气光估计 A = estimate_atmospheric_light(img.astype(np.float32), dark_channel(img_norm)) # 可选：导向滤波 t_refined = guided_filter(img_norm, t, radius=40, eps=1e-3) # 图像恢复 J = recover_image(img_norm, t_refined, A) # 保存 out_path = os.path.join(output_dir, f'dehazed_{idx:03d}_{fname}') save_image(out_path, J) print(f'处理完成: {fname} -> {out_path}')

这里的dark_channel是一个计算暗通道的函数，通常是取RGB三通道最小值然后用最小值滤波实现。批量处理时我习惯在循环外只加载一次模型，而不是每张图都重新加载权重，这样能大幅减少重复IO开销。

如果图片数量很多，可以考虑用torch.utils.data.DataLoader配合batch推理，把多张图拼成一个batch喂给模型，推理速度会成倍提升。我实测用batch=8时，GPU利用率显著提高，整体吞吐量提升大约4倍。当然，batch处理要处理不同尺寸图片的pad问题，会稍微复杂一些，这里就不展开了。

5. 预训练模型使用指南

5.1 权重加载与weights_only参数

标题里写了"附预训练模型"，所以这一节必须讲透。拿到权重文件之后，加载方式决定了你能不能顺利跑起来。

PyTorch的权重加载最常见的方式是：

import torch from models.dehazenet import DehazeNet model = DehazeNet() state_dict = torch.load('pretrained/dehazenet.pth', map_location='cpu') model.load_state_dict(state_dict) model.eval()

这段代码在PyTorch 2.5及以下版本没问题。但如果你装的是PyTorch 2.6或者更高版本，也就是最近一段时间开始普及的版本，运行时会跳出一行长长的提示，或者直接报错。原因是PyTorch 2.6改了torch.load的默认行为：weights_only默认值从False变成了True。

weights_only=True意味着只能加载张量、字典、列表这类基础数据类型，不允许加载任意的Python对象。这样做是为了安全，因为旧版的torch.load在加载恶意构造的pth文件时可能执行任意代码。但从用户角度，很多模型权重文件是用pickle序列化的，里面会包含一些自定义对象，加载时就容易出问题。

如果你遇到pickle.UnpicklingError或者类似Weights only load failed的错误，有两种解决办法。第一种，加载时显式指定weights_only=False：

state_dict = torch.load('pretrained/dehazenet.pth', map_location='cpu', weights_only=False)

第二种，如果你确保权重文件里只包含张量，可以先把文件转化为纯state_dict格式，用weights_only=True加载。我推荐第一种，简单直接，自己本地的模型文件安全性可以自己把控。

还有一点，用load_state_dict时如果遇到unexpected key或missing key的报错，最常见的原因有几种：一是网络的层名和权重文件里存的层名不一致；二是model定义里多了或少了层；三是保存时带上了module.前缀。第三个情况在用了DataParallel训练时最常见，处理方式是对key做字符串替换：

state_dict = {k.replace('module.', ''): v for k, v in state_dict.items()}

5.2 自定义数据集评估

加载好模型后，最好先在公开数据集或者自己拍摄的雾图上看一下效果，而不是直接扔到业务场景里。我常用的评估方式有两种，一种是主观看图和客观指标结合，另一种是只有雾图没有参考图的情况下用无参考指标。

有参考图时，常用的指标是PSNR（峰值信噪比）和SSIM（结构相似性）。PSNR越高表示像素级误差越小，SSIM越接近1表示结构保真度越好。但这两个指标对去雾任务来说并不完美，因为去雾本来就是一种风格迁移式的变换，数值上非常接近的图可能视觉上不如某些数值略低的图自然。所以我的习惯是：指标作为参考，最终以目视效果为准。

无参考图时，可以用一些雾密度评估方法，比如对比度、饱和度等简单统计特征。虽然不够严谨，但至少能对比出处理前后的变化趋势。

在自定义数据集上评估时，还容易遇到一个适配问题：训练时用的图像尺寸和预处理方式与你的测试图不一致。如果预训练模型是在固定尺寸或某一种数据分布上训练的，直接扔一张不同分布的图片进去，效果可能大打折扣。所以评估之前，一定要确认数据的归一化方式、色彩空间（BGR还是RGB）和模型训练时完全一致。我在项目里就吃过这个亏，用OpenCV读的图默认是BGR，但训练时如果用RGB，出来的透射率图会明显不对，整个去雾结果是花的。

5.3 微调与再训练建议

预训练模型在通用场景下效果不错，但如果你的图片场景很特殊，比如全是水下图像、浓雾天的高速公路、或者监控摄像头视角，那通用权重可能不够理想。这时候建议在你自己收集的数据上做微调。

微调的流程和正常训练类似，但有几个关键点。第一，学习率要调低，通常从预训练模型的最后收敛学习率往下调，比如1e-4或者更小，否则很容易破坏已经学好的底层特征。第二，冻结前几层卷积，只更新后面的层，这种做法在小数据集上特别有效，可以防止过拟合，也能显著加速训练。第三，数据扩充非常重要，随机裁剪、水平翻转、颜色抖动这些操作能提升模型对场景的泛化能力。

训练自己的DehazeNet是一个更完整的工程，需要准备成对的雾图和清晰图。合成数据是常规做法：从COCO、ADE20K这些数据集里选清晰图像，然后随机生成大气光和深度图，通过大气散射模型合成雾图。这一步要在数据加载时在线完成，否则磁盘会被撑爆。

如果你条件允许，强烈建议自己训一次。即使最终效果不如预训练模型，这个过程能让你对数据分布、收敛速度、损失曲线这些概念有切身体会。

6. 常见问题与踩坑实录

6.1 环境与安装问题排查

把这段时间做项目时遇到的高频问题整理成了一张速查表，希望能帮你少走弯路：

其中最常见也最让人烦躁的就是CUDA版本问题了。建议先运行nvidia-smi看驱动支持的CUDA版本，然后安装的PyTorch CUDA版本只要不高于这个就能用。比如驱动支持CUDA 12.1，那装cu118或cu121的PyTorch都没问题。

6.2 模型加载与推理问题

加载权重时最容易遇到的就是前面讲的weights_only报错，以及state_dict的key不匹配。这里再补充几个我在实践中的其他问题：

一是模型输出全黑或全白。这通常意味着输入没有归一化。很多人直接用cv2.imread读进来的0到255的值喂给网络，DehazeNet输出的透射率经过BReLU之后被clamp到0到1之间，但中间的特征计算会爆炸，导致输出极端值。解决办法就是老老实实把输入除以255。

二是恢复出来的图色彩很怪。BGR和RGB通道顺序弄反是头号嫌疑。我在代码里统一用OpenCV的BGR顺序处理，网上的某些实现用的是RGB，如果你的模型是在某份RGB预处理下训练的，直接用BGR推理就会偏色。稳妥的做法是训练和推理都保持一种约定，并且在遇到色彩问题的时候第一个怀疑这个环节。

三是恢复结果有明显的块状光晕。透射率图在边缘处不够锐利导致的。先用导向滤波细化透射率，基本上能解决。如果还有光晕，可以适当增大导向滤波的radius，或者对透射率图做一次中值滤波。

6.3 去雾效果不佳的原因分析

如果模型部署好之后，去雾效果不理想，不要急着怀疑模型有问题，先按下面这个顺序排查：

输入图片本身是否适合当前模型？DehazeNet是在自然雾场景上训练的，如果输入的是夜间图像、低照度图像、或者是带了大量人造光源的室内场景，效果就会很差。这是物理模型本身的限制，不是代码bug。

透射率估计是否合理？把模型输出的透射率图打印出来，用灰度图形式查看。如果发现大部分区域透射率接近1，说明模型认为这张图几乎没有雾，那恢复效果当然不明显。如果透射率有高有低，但恢复出来的图仍然偏灰，就要检查大气光的估计是否准确。

大气光取值是否太大或太小？把估计出来的A打印出来，一般应该接近图像中最亮区域的像素值。如果A偏大了，恢复出的图会整体偏暗；A偏小了，则会出现灰蒙蒙的残留。

后处理中是否做了色彩校正？有些图片恢复之后对比度提升了，但看起来不自然，此时可以适当做一次色温平衡或者直方图裁剪，这个不在DehazeNet的范围内，但作为工程实践是常见的后续操作。

6.4 性能优化与部署心得

最后聊一下在实际部署中总结的几个优化经验。

CPU推理优化：DehazeNet本身很轻量，CPU上处理一张512x512的图耗时大概在几十毫秒到几百毫秒之间，取决于具体的硬件。如果还想提速，可以尝试把模型导出成ONNX再用ONNX Runtime推理，或者用OpenVINO在Intel平台上加速，速度提升非常明显。

GPU批量推理：用DataLoader做batch推理，吞吐量提升是接近线性的。瓶颈往往不在模型本身，而在图像的预处理和IO。建议把解码、resize、归一化这些操作放到多进程的DataLoader里，让GPU计算和CPU预取重叠起来。

内存管理：如果一次要处理整个文件夹的图片，千万不要先把所有图片读进内存，再统一处理。正确做法是逐张读取、逐张处理、逐张保存。我见过有人做视频去雾时，把某几帧图片直接读成一个巨大的numpy数组，结果内存直接爆掉。逐帧处理虽然慢一点，但稳，而且更容易在中间加可视化。

模型导出部署：如果只是离线处理图片，用PyTorch原生的torch.no_grad()就够。如果要集成到Web服务里，建议先把模型转成TorchScript或者ONNX，这样可以减少运行时对Python版本的依赖，也能享受到更高效的执行引擎。

我在实际使用中还有一个体会，就是把DehazeNet的输出结果t作为深度信息的近似值，还能用来做其他后处理，比如雾浓度检测和图像增强的权重图。这个思路虽然超出了DehazeNet原本的范畴，但说明透射率图本身就是一个很有信息量的中间产物。如果你正在做安防监控、自动驾驶或者航拍图像处理，不妨从这个角度尝试一下，说不定会有意外的收获。

本文还有配套的精品资源，点击获取