打破空间均匀性：基于径向序列化的先验引导Mamba 用于镜头光斑移除
计算机视觉与模式识别
2026-05-11 v1 图像与视频处理
摘要
镜头光斑由复杂光学差异导致，尤其在夜间摄影中严重影响图像质量。尽管近期恢复方法取得了显著进展，但大多数仍依赖空间均匀处理，难以处理光斑场景中区域依赖的恢复需求——此时需要保留饱和光源、去除光斑痕迹、恢复背景细节。为此，我们提出DeflareMambav2，一种先验引导Mamba框架用于镜头光斑移除。具体而言，我们引入Flare Prior Network(FPN)估计光斑先验并引导自适应恢复。此外，提出一种新颖的径向序列化策略，通过光斑感知的有针对性抽样打破空间均匀处理，更好地支持状态空间模型(SSM)的长程建模。基于这些先验， backbone 采用双层自适应方案：显式保留光源区域以避免过度处理，对剩余受污染区域应用基于课程的恢复，并在像素级别校准恢复强度。广泛实验表明，DeflareMambav2在降低参数负担的同时实现了最先进的性能。代码已公开于 https://github.com/BNU-ERC-ITEA/DeflareMambav2。
引用
@article{arxiv.2605.07650,
title = {Breaking Spatial Uniformity: Prior-Guided Mamba with Radial Serialization for Lens Flare Removal},
author = {Zijia Fu and Yuanfei Huang and Lizhi Wang and Hua Huang},
journal= {arXiv preprint arXiv:2605.07650},
year = {2026}
}