DeRainMamba：用于图像去雨的频率感知状态空间模型与细节增强
计算机视觉与模式识别
2025-10-09 v1
摘要
图像去雨对于提高视觉质量和支持可靠的下游视觉任务至关重要。虽然 Mamba-based 模型提供了有效的序列建模，但其捕捉细粒度细节的能力有限且缺乏频率域意识，限制了进一步的改进。为此，我们提出了 DeRainMamba，集成了频率感知状态空间模块（FASSM）和多向感知卷积（MDPConv）。FASSM 利用傅里叶变换区分雨 streak 与高频图像细节，平衡雨点去除与细节保留。MDPConv 通过捕捉各向异性梯度特征和高效融合多个卷积分支来恢复局部结构。在四个公开基准数据集上进行的广泛实验表明，DeRainMamba 在 PSNR 和 SSIM 上 consistently 优于最先进的方法，同时所需参数更少且计算成本更低。这些结果验证了在基于状态空间框架中结合频率域建模和空间细节增强对于单张图像去雨的有效性。
引用
@article{arxiv.2510.06746,
title = {DeRainMamba: A Frequency-Aware State Space Model with Detail Enhancement for Image Deraining},
author = {Zhiliang Zhu and Tao Zeng and Tao Yang and Guoliang Luo and Jiyong Zeng},
journal= {arXiv preprint arXiv:2510.06746},
year = {2025}
}
备注
accepted by IEEE SPL