DeLiVR：用于高效视频去雨的差分时空李群偏置
计算机视觉与模式识别
2026-02-17 v2
摘要
在自然环境中捕获的视频通常会受到雨条纹、模糊和噪声的影响。此外，即使是相机位姿的轻微变化也会放大跨帧不匹配和时间伪影。现有方法依赖光流或启发式对齐，这些方法计算成本高且鲁棒性较差。为了应对这些挑战，李群提供了一种有原则的方式来表示连续的几何变换，使其非常适合在视频建模中强制执行空间和时间一致性。基于这一见解，我们提出了 DeLiVR，这是一种高效的视频去雨方法，将时空李群差分偏置直接注入网络的注意力分数中。具体而言，该方法引入了两个互补的组件。首先，旋转有界李相对偏置使用紧凑的预测模块预测每帧的面内角度，其中归一化坐标被旋转并与基础坐标进行比较，以在特征聚合之前实现几何一致的对齐。其次，差分组位移计算相邻帧之间的角度差以估计速度。这种偏置计算结合了时间衰减和注意力掩码，以关注帧间关系，同时精确匹配雨条纹的方向。广泛的实验结果证明了我们的方法在公开基准上的有效性。代码公开于 https://github.com/Shuning0312/ICLR-DeLiVR。
引用
@article{arxiv.2509.21719,
title = {DeLiVR: Differential Spatiotemporal Lie Bias for Efficient Video Deraining},
author = {Shuning Sun and Jialang Lu and Xiang Chen and Jichao Wang and Dianjie Lu and Guijuan Zhang and Guangwei Gao and Zhuoran Zheng},
journal= {arXiv preprint arXiv:2509.21719},
year = {2026}
}