CMAWRNet：基于统一四元数神经架构的多 adverse 天气去除
计算机视觉与模式识别
2025-05-06 v1
摘要
用于图像或视频检索、户外监视和自动驾驶等实际应用中的图像常受恶劣天气影响。设计鲁棒计算机视觉系统时，去除雾、雨、雪等恶劣天气是重要问题。最近的深度学习方法为单一类型退化提供了解决方案。当前最先进的通用方法在处理雾和雨 streak等退化组合时仍难以胜任。很少有算法能够在包含多种恶劣天气条件的图像上表现良好。本文致力于开发一种高效解决方案，用于多 adverse 天气去除，采用称为CMAWRNet的统一四元数神经架构。该架构基于新颖的纹理-结构分解模块、新型轻量级编码器-解码器四元数变换器架构，以及具备低光校正能力的注意力融合模块。我们还引入一种四元数相似度损失函数以更好地保留颜色信息。对当前最先进基准数据集和真实图像的定性和定量评估表明，CMAWRNet在处理多种天气损伤方面优于其他最先进方法。大量计算机仿真验证了CMAWRNet在下游任务（如目标检测）中的性能提升。这是首次将分解方法应用于通用天气去除任务。
引用
@article{arxiv.2505.01882,
title = {CMAWRNet: Multiple Adverse Weather Removal via a Unified Quaternion Neural Architecture},
author = {Vladimir Frants and Sos Agaian and Karen Panetta and Peter Huang},
journal= {arXiv preprint arXiv:2505.01882},
year = {2025}
}