DELNet：通过动态专家库实现连续全能天气去除
计算机视觉与模式识别
2026-02-02 v1
摘要
全能天气图像恢复方法在实际中具有重要价值，但依赖于预收集的数据，并且需要为未见的退化情况进行重新训练，导致高昂成本。我们提出了 DELNet，一个持续学习框架，用于天气图像恢复。DELNet 集成了一个判断阀门，用于衡量任务相似性以区分新旧任务，并配备一个动态专家库，存储不同退化情况下的专家模型。对于新任务，阀门选择 top-k 个专家进行知识迁移，同时添加新的专家以捕获任务特定特征；对于已知任务，则直接复用相应专家。这一设计使持续优化无需重新训练现有模型成为可能。在 OTS、Rain100H 和 Snow100K 数据集上的实验表明，DELNet 超过了最先进的持续学习方法，分别实现了 16%、11% 和 12% 的 PSNR 提升。这些结果凸显了 DELNet 在有效性、鲁棒性和效率方面的优势，显著降低了重新训练成本，使其在实际场景中具有可行的部署价值。
引用
@article{arxiv.2601.22573,
title = {DELNet: Continuous All-in-One Weather Removal via Dynamic Expert Library},
author = {Shihong Liu and Kun Zuo and Hanguang Xiao},
journal= {arXiv preprint arXiv:2601.22573},
year = {2026}
}
备注
Accepted by the ICASSP conference, not yet officially published