基于持续学习的非配对图像修复任务统一模型
计算机视觉与模式识别
2025-07-28 v1
摘要
恢复受雾、雪和雨等不同恶劣天气条件污染的图像是一项具有挑战性的任务，因为天气条件具有多变性。现有的大多数方法专注于任何一种特定的天气条件。然而，对于自动驾驶等应用，需要一个统一模型来执行由不同天气条件导致的损坏图像的修复。我们提出了一种持续学习方法，以提出一个用于图像修复的统一框架。所提出的框架集成了三个关键创新：（1）选择性核融合层，动态结合全局和局部特征以实现鲁棒的自适应特征选择；（2）弹性权重巩固 (EWC)，以实现持续学习并减轻跨多个修复任务的灾难性遗忘；以及（3）一种新颖的循环对比损失，在域转换期间增强特征判别能力的同时保持语义一致性。此外，我们提出了一种非配对图像修复方法，以减少所提出方法对训练数据的依赖。在去雾、去雪和去雨任务的标准基准数据集上的广泛实验表明，在 PSNR、SSIM 和感知质量方面均显著优于现有技术。
引用
@article{arxiv.2507.19184,
title = {Continual Learning-Based Unified Model for Unpaired Image Restoration Tasks},
author = {Kotha Kartheek and Lingamaneni Gnanesh Chowdary and Snehasis Mukherjee},
journal= {arXiv preprint arXiv:2507.19184},
year = {2025}
}
备注
Under Review