2026《无人机影像去雾算法研究现状文献综述》

2026《无人机影像去雾算法研究现状文献综述》摘要无人机影像去雾技术是提升恶劣天气下无人机作业可靠性的核心支撑，广泛应用于地理测绘、环境监测、应急救援、城市安防等多个关键领域。随着无人机成像技术向高分辨率、多模态方向发展，以及深度学习、多模态融合等技术的持续突破，无人机影像去雾算法的研究呈现出多元化、高精度、实时化的发展态势。本文系统梳理了2023-2026年无人机影像去雾算法的最新研究成果，按照传统算法与基于深度学习算法两大主流类别，详细分析各类算法的核心原理、改进方向、优势与局限性，总结当前算法在实际应用中的关键问题，包括小目标恢复难、动态雾霾处理滞后、超大分辨率影像适配不足等，并结合2025-2026年顶会最新研究趋势，展望未来研究方向，为后续无人机影像去雾算法的优化与工程化应用提供参考与借鉴。关键词无人机影像；去雾算法；深度学习；多模态融合；高分辨率影像；小目标恢复1引言1.1研究背景与意义无人机凭借其机动灵活、成本低廉、覆盖范围广、可快速获取影像数据等优势，已成为空中遥感监测、地形测绘、应急响应等领域的核心设备。然而，无人机在高湿度、雾霾、沙尘等恶劣天气下作业时，大气中悬浮的微小颗粒会对光线产生散射与吸收作用，导致拍摄的影像出现对比度降低、细节模糊、颜色失真等问题，严重影响后续影像分割、目标检测、三维建模等下游任务的精度与效率。例如，在应急救援场景中，浓雾遮挡可能导致无法识别被困人员等小目标，延误救援时机；在地理测绘中，模糊影像会降低地形数据提取的准确性，影响地图绘制精度。随着2024-2026年无人机技术向高分辨率、多传感器融合方向的快速发展，传统去雾算法已难以满足实际应用需求，亟需研发适配无人机动态拍摄场景、兼顾实时性与去雾效果的高效算法。因此，系统总结近年来无人机影像去雾算法的研究现状，分析各类算法的优劣与适用场景，明确当前研究瓶颈与未来发展趋势，对于推动无人机影像去雾技术的工程化应用、提升无人机在恶劣天气下的作业能力具有重要的理论价值与实际意义。1.2研究现状概述无人机影像去雾算法的研究始于21世纪初，早期主要借鉴传统图像去雾算法的思路，以基于物理模型的先验方法和基于图像增强的方法为主。随着深度学习技术在计算机视觉领域的爆发式发展，2018年后，基于深度学习的去雾算法逐渐成为研究主流，其去雾效果与泛化能力显著优于传统算法。2023-2026年，研究重点进一步聚焦于解决无人机影像特有的技术难题，包括动态雾霾分布不均、小目标恢复困难、超大分辨率影像处理效率低、多模态传感器数据融合等，涌现出一批具有创新性的算法，如雾霾分布感知跨模态融合网络（HDCFN）、基于大模型思路的超大图像去雾模型（DehazeXL）等，推动无人机影像去雾技术向更高精度、更高效、更具泛化性的方向发展。1.3本文研究内容与结构本文首先介绍无人机影像去雾的核心原理与评价指标，明确无人机影像去雾与普通图像去雾的差异；其次，分类梳理2023-2026年主流无人机影像去雾算法，包括传统算法与基于深度学习的算法，详细分析各类算法的核心思想、改进策略及应用效果；再次，总结当前无人机影像去雾算法研究中存在的关键问题；最后，结合最新研究成果，展望未来研究方向，为后续研究提供参考。2无人机影像去雾核心基础2.1无人机影像雾退化原理无人机影像的雾退化过程本质上是大气散射作用的结果，其退化模型通常采用经典的大气散射模型（ASM），该模型假设空气光和直接衰减是雾霾图像的主要贡献因素，具体表达式为：I其中，Ixy为雾天无人机影像的像素值，Jxy为无雾影像的真实像素值，2.2去雾算法评价指标为客观、准确地评估无人机影像去雾算法的性能，目前学术界与工业界主要采用定量评价与定性评价相结合的方式。定量评价指标主要包括峰值信噪比（PSNR）、结构相似性指数（SSIM）、无参考质量评估指标（NIQE、PIQE）等；定性评价主要通过人眼视觉感受，判断去雾后影像的细节恢复程度、颜色真实性、是否存在伪影等。其中，PSNR和SSIM是最常用的定量评价指标：PSNR基于均方误差（MSE）计算，反映去雾后影像与无雾影像的像素差异，数值越高，说明去雾效果越好；SSIM反映去雾后影像与无雾影像的结构相似性，数值越接近1，说明去雾后影像保留的细节信息越丰富。此外，针对无人机影像的特殊性，部分研究还引入了小目标检测准确率（mAP）、算法推理速度等指标，以评估算法对下游任务的支撑能力和实时性表现。3无人机影像去雾主流算法研究现状（2023-2026）近年来，无人机影像去雾算法的研究主要分为两大阵营：传统去雾算法与基于深度学习的去雾算法。传统算法凭借其计算量小、实时性强的优势，仍在一些低精度、实时性要求高的场景中应用；基于深度学习的算法则凭借其强大的特征学习能力，在去雾效果、泛化能力上具有显著优势，成为当前研究的主流，尤其是2025-2026年，多模态融合、大模型思路等创新方向进一步推动了深度学习去雾算法的发展。3.1传统无人机影像去雾算法传统无人机影像去雾算法主要分为两类：基于物理模型的先验算法和基于图像增强的算法。此类算法的核心优势是计算复杂度低、实时性强，无需大量训练数据，适用于资源有限的无人机嵌入式平台，但存在去雾效果有限、对复杂雾情适应性差等局限性，近年来的研究主要集中于算法的轻量化改进，以适配无人机实时作业需求。3.1.1基于物理模型的先验算法此类算法的核心思路是基于大气散射模型，通过先验知识估计大气透射率txy和大气光A，进而反演无雾影像2023-2026年，针对DCP算法在无人机影像处理中存在的天空区域颜色失真、光晕现象以及计算效率不足等问题，研究人员进行了针对性改进。例如，有学者提出基于引导滤波的快速暗通道去雾算法，通过引导滤波加速大气透射率计算，提高算法效率，满足无人机实时性要求；另有研究结合无人机影像的雾分布特性，优化大气光估计方法，减少天空区域的颜色失真。但此类算法仍存在局限性，在浓密雾霾场景下，难以有效恢复被遮挡的小目标，且对动态雾情的适应性较差，无法满足高分辨率无人机影像的去雾需求。3.1.2基于图像增强的算法此类算法不依赖大气散射模型，而是通过增强影像的对比度、亮度等特征，间接改善雾天影像的视觉效果，主要包括直方图均衡化、Retinex理论、伽马校正等方法。其中，直方图均衡化通过重新分配图像像素灰度值，增强图像全局对比度，达到一定去雾效果，但易造成图像细节丢失和噪声放大；Retinex理论的去雾算法模拟人类视觉系统对光照的感知，通过将图像分解为反射分量和光照分量，对光照分量进行调整，去除雾对图像的影响，使图像色彩更自然，细节更清晰，但计算复杂度较高，在复杂场景下效果有待提升。2023年后，研究重点集中于算法的轻量化与效果优化，例如，结合自适应直方图均衡化与Retinex理论，提出融合算法，在增强对比度的同时，减少细节丢失；针对无人机影像的噪声特性，引入噪声抑制模块，提升去雾后影像的清晰度。此类算法适用于轻雾场景，计算量小，可快速部署于无人机嵌入式平台，但在中重度雾情下，去雾效果有限，易出现过度增强、颜色失真等问题，难以满足高精度作业需求。3.2基于深度学习的无人机影像去雾算法随着深度学习技术的快速发展，尤其是卷积神经网络（CNN）、视觉Transformer（ViT）、多模态融合技术的应用，基于深度学习的无人机影像去雾算法逐渐取代传统算法，成为研究主流。此类算法通过大量雾天与无雾影像样本训练模型，学习雾退化规律与去雾映射关系，具有去雾效果好、泛化能力强等优势，能够有效处理中重度雾情，适配高分辨率无人机影像。2023-2026年，此类算法的研究重点集中于多模态融合、小目标恢复、超大分辨率影像处理、轻量化优化等方向，涌现出一批具有创新性的研究成果。3.2.1基于单模态深度学习的去雾算法此类算法主要基于可见光单模态影像，通过设计高效的网络结构，提升去雾效果与处理效率，分为基于CNN的算法和基于ViT的算法两大类。基于CNN的算法仍是当前研究的主流，核心思路是通过编码器-解码器结构、多尺度特征融合、注意力机制等，提取影像的雾特征与细节特征，实现雾的去除与细节恢复。2023-2024年，研究人员在传统CNN网络（如DehazeNet、AOD-Net、MSCNN）的基础上，进行了多方面改进：例如，引入注意力机制，增强模型对雾浓度差异区域的自适应能力；设计多尺度卷积模块，提升模型对不同尺度目标（尤其是小目标）的恢复能力；结合残差学习，减少模型训练过程中的梯度消失问题，提升去雾效果。例如，AOD-Net采用编码器-解码器结构，结合跳跃连接，更好地保留图像细节信息，去雾效果显著提升；MSCNN引入多尺度卷积，从不同尺度提取图像特征，增强对不同大小物体和不同浓度雾气的处理能力。2025-2026年，基于ViT的去雾算法成为研究热点。由于ViTs相对于CNNs的局部诱导偏差较低（处理的是图像块而不是像素），能够更好地捕捉影像的全局特征，适用于高分辨率无人机影像的去雾处理。例如，2025年提出的DehazeXL模型，首次将大语言模型（LLM）的上下文token思路引入图像去雾，通过将大图分成patch并编码为向量token，引入全局注意力机制，实现超大分辨率影像（最高10240×10240）的端到端去雾，既保留了局部细节，又获得了全局语义，解决了传统切块处理导致的信息断裂、拼接痕迹等问题。该模型在8KDehaze数据集上取得了PSNR32.35、SSIM0.9863的优异成绩，且推理速度比传统方法快10倍以上，为高分辨率无人机影像去雾提供了全新解决方案。3.2.2基于多模态融合的去雾算法由于可见光影像在浓密雾霾环境下对比度骤降，而红外影像虽能穿透雾气却缺乏颜色和纹理信息，近年来，多模态融合去雾成为无人机影像去雾的重要研究方向。此类算法通过融合可见光、红外等多模态影像的互补优势，提升浓密雾情下的去雾效果和小目标恢复能力，是2025-2026年的研究热点。2025年ACMMM会议上提出的HDCFN（雾霾分布感知跨模态融合网络），是此类算法的典型代表。该算法创新性地设计了“红外引导的多尺度特征增强框架”与“雾霾分布感知跨模态融合模块”，形成完整的去雾解决方案。其中，红外引导的多尺度特征增强模块（IMFE）采用“从粗到细”的特征融合策略，通过通道注意力机制让红外特征指导可见光特征优化，利用跳跃连接整合高分辨率细节，特别强化小目标特征的恢复能力；雾霾分布感知跨模态融合模块（CMAF）通过雾分布估计器（HDE）生成精确的雾密度图，在浓雾区域优先保留红外特征的结构信息，在轻雾区域更多保留可见光的颜色纹理，实现动态加权融合。实验结果表明，HDCFN在VTUAV数据集上的PSNR达到31.57、SSIM达到0.918，较现有最佳方法分别提升8.1%和4.2%，能够有效恢复被浓雾遮挡的小目标，保留更多纹理细节，维持自然的颜色和对比度，且能显著提升下游目标检测任务的准确率（mAP）和召回率。此外，2026年初提出的MCAF-Net模型，通过多分支特征聚合（MFIBA）、颜色校准注意力（CSAM）、多尺度自适应融合（MFAFM）三大模块，融合多模态特征，在真实雾霾数据集RRS_HIDE上表现优异，参数比传统方法少一半，效率显著提升，能够有效处理薄霾、中霾、厚霾等多种场景，恢复植被纹理、建筑边缘等细节信息。3.2.3轻量化与实时性优化算法无人机嵌入式平台的计算资源有限，因此，基于深度学习的去雾算法的轻量化与实时性优化，是实现算法工程化应用的关键。2023-2026年，研究人员通过网络剪枝、量化、知识蒸馏等技术，对现有深度学习模型进行轻量化改进，在保证去雾效果的前提下，降低模型的计算量与参数量，提升推理速度。例如，有学者采用知识蒸馏技术，以复杂的高精度去雾模型作为教师模型，以轻量化网络作为学生模型，将教师模型的知识迁移到学生模型中，实现模型的轻量化与高精度兼顾；另有研究通过网络剪枝，去除模型中冗余的卷积层和参数，降低计算复杂度，同时引入轻量化注意力机制，保证模型的特征提取能力。此外，结合OpenCV+CUDA/GPU加速技术，将静态图像去雾算法演变为视频级加速版本，解决雾天实时视频去雾中的延时高、掉帧明显、帧间一致性差等问题，提升无人机动态拍摄场景下的去雾实时性。4当前无人机影像去雾算法存在的关键问题尽管2023-2026年无人机影像去雾算法的研究取得了显著进展，涌现出HDCFN、DehazeXL等一批优秀算法，但在实际应用中仍存在诸多关键问题，制约了其工程化落地与性能提升，主要集中在以下几个方面：4.1小目标恢复与动态雾霾处理能力不足无人机航拍场景中，地面目标距离远、体积小，浓雾遮挡后几乎无视觉线索可寻，现有算法虽能实现整体去雾，但对小目标的恢复能力仍有待提升，易出现小目标模糊、丢失等问题。同时，无人机飞行过程中，雾气在空间中分布不均且随时间变化，传统算法难以自适应调整，部分深度学习算法虽引入动态雾分布估计，但仍存在响应滞后、适配性不足等问题，难以满足动态飞行场景的需求。4.2超大分辨率影像处理效率与精度矛盾突出随着无人机成像技术的发展，影像分辨率已向4K、8K甚至10K级别发展，现有算法在处理超大分辨率影像时，面临“精度与效率”的双重矛盾：若采用下采样处理，会丢失细节信息，导致高频纹理恢复失败；若采用切片处理，会丢失全局信息，引入拼接伪影。尽管DehazeXL等模型实现了超大分辨率影像的端到端处理，但对硬件资源的要求较高，难以部署于普通无人机嵌入式平台，通用性不足。5未来研究方向展望结合2023-2026年无人机影像去雾算法的研究现状与存在的问题，结合多模态融合、大模型、轻量化计算等技术的发展趋势，未来无人机影像去雾算法的研究将重点聚焦于以下几个方向：5.1多模态融合与小目标增强协同优化进一步深化可见光、红外、激光雷达等多模态数据的融合策略，结合注意力机制、特征蒸馏等技术，强化红外特征对可见光小目标特征的引导作用，提升浓密雾情下小目标的恢复能力。同时，结合无人机飞行姿态、高度等参数，动态调整融合权重，适配动态雾霾场景，解决小目标恢复难、动态雾情适配差等问题，进一步提升算法在实际场景中的泛化能力。5.2超大分辨率影像高效去雾技术研发借鉴DehazeXL模型的token化思路，进一步优化超大分辨率影像的处理架构，降低模型对硬件资源的需求，实现高效端到端去雾。同时，结合轻量化网络设计与硬件加速技术，平衡超大分辨率影像处理的精度与效率，开发适配普通无人机嵌入式平台的超大分辨率去雾算法。此外，加快构建大规模、高分辨率的真实无人机雾天影像数据集（如8KDehaze、RRS_HIDE等），填补真实数据空白，提升算法的泛化能力与实用性。5.3轻量化与工程化落地能力提升进一步推进深度学习模型的轻量化优化，结合网络剪枝、量化、知识蒸馏等技术，在保证去雾效果的前提下，降低模型的计算量与参数量，提升推理速度，适配无人机嵌入式平台的资源限制。同时，加强算法与无人机硬件的协同设计，开发模块化、可移植的去雾算法插件，与无人机影像处理系统深度融合，实现算法的工程化落地与规模化应用。此外，探索雾天实时视频去雾的优化策略，解决帧间一致性差、掉帧等问题，提升动态拍摄场景下的去雾体验。5.4多场景自适应去雾算法研究针对无人机作业的多样化场景（如城市、山区、海洋、森林等），研发多场景自适应去雾算法，通过场景识别模块，自动判断雾情浓度、场景类型，动态调整算法参数与模型结构，实现不同场景下的最优去雾效果。同时，结合对比学习、零样本学习等技术，减少算法对大规模标注数据的依赖，解决合成雾霾图像与真实雾霾图像信息量不足、一致性差的问题，提升算法的泛化能力与适应性。6结论本文系统梳理了2023-2026年无人机影像去雾算法的研究现状，将现有算法分为传统算法与基于深度学习的算法两大类，详细分析了各类算法的核心原理、改进方向、优势与局限性，重点介绍了HDCFN、DehazeXL等2025-2026年的最新研究成果。研究表明，基于深度学习的多模态融合算法、超大分辨率去雾算法已成为当前研究的主流，其在去雾效果、小目标恢复、泛化能力等方面显著优于传统算法，但在小目标恢复精度、动态雾情适配、工程化落地等方面仍存在不足。未来，随着多模态融合、大模型、轻量化计算等技术的持续发展，无人机影像去雾算法将向多模态协同、小目标增强、超大分辨率高效处理、工程化落地的方向发展，逐步解决当前存在的关键问题，进一步提升无人机在恶劣天气下的作业能力，为地理测绘、环境监测、应急救援等领域提供更可靠的技术支撑。参考文献[1]JunweiZhao,QianchunLuo,ShiliangZhang,etal.HDCFN:Haz