单张照片去雾效果大比拼：多种场景和数据集的全面测试

近年来，单张图像去雾技术发展迅速，但现有综述常缺乏统一标准下的公平对比，难以客观判断各类方法的真实能力与局限。本文构建了一个多维度、跨场景的全面评测体系：涵盖Foggy Cityscapes、ITS、O-Haze、RTTS和ACDC这5个广泛使用的数据集，覆盖从人工合成到真实复杂雾霾的多种条件；对2009至2025年间具有代表性的17种去雾算法，在每个数据集上严格采用一致的训练配置和参数设置进行复现与评估；评测维度包括：有参考指标（如峰值信噪比PSNR、结构相似性SSIM）、无参考指标（如自然图像质量评估NIQE、雾感知密度评估FADE）、计算效率，以及对下游任务（如目标检测）的实际提升效果。结果表明：在合成数据上表现优异的模型，迁移到真实雾霾场景时普遍出现性能下降，即存在“泛化瓶颈”；更关键的是，重建精度（如PSNR）高的模型，其输出图像对目标检测等任务的帮助反而可能更小——说明过度追求像素级准确，未必带来视觉理解层面的真正提升。本评测提供了一套兼顾技术指标与实用价值的决策矩阵，有助于科研人员优化算法设计，也帮助工程师根据具体应用场景（如自动驾驶、监控系统）科学选择去雾方案。