降解鲁棒性融合：面向任意降解场景的高效降解感知扩散框架

噪声、模糊和低分辨率等复杂降解是现实世界图像融合任务中的典型挑战，限制了现有方法的性能和实用性。基于端到端神经网络的方法设计简便，推理效率高，但因其黑箱本质导致可解释性有限。基于扩散的方法在一定程度上通过提供强大的生成先验和更结构化的推理过程来缓解这一问题。然而，这些方法训练于单一域目标分布，而图像融合缺乏自然的融合数据，依赖于建模来自多个来源的互补信息，使得扩散方法在实际中难以直接应用。为此，本文提出了一个用于任意降解场景下图像融合的高效降解感知扩散框架。具体而言，与常规扩散模型显式预测噪声不同，本方法通过直接回归融合图像实现隐式去噪，能够在复杂降解条件下以有限步数灵活适应多样化的融合任务。此外，我们设计了联合观察模型校正机制，在采样过程中同时施加降解和融合约束，以确保高保真重建。实验在多样化的融合任务和降解配置上表明，在复杂降解场景下，所提方法具有显著优势。