FDG-Diff：基于频域引导的压缩雾化图像恢复扩散框架
图像与视频处理
2025-01-23 v1 计算机视觉与模式识别
摘要
本研究揭示了雾霾退化与 JPEG 压缩之间存在的复杂联合损失效应，这显著复杂化了图像恢复过程。现有的去雾模型常常忽略压缩效应，限制了其在实际应用中的效果。为解决这些挑战，我们提出了三个关键贡献：首先，我们设计了 FDG-Diff（Frequency-Domain-Guided Diffusion）这一新型频域引导去雾框架，通过利用频域信息提升 JPEG 图像的恢复质量；其次，我们引入了高频补偿模块（High-Frequency Compensation Module, HFCM），通过将频域增强技术融入基于扩散的恢复框架，增强空间域细节恢复；最后，引入损伤感知去噪时间步预测器（Degradation-Aware Denoising Timestep Predictor, DADTP）模块，使恢复质量得到进一步提升，通过实现自适应区域性恢复，有效解决压缩雾化图像中区域性损伤不一致的问题。实验结果表明，在多个压缩去雾数据集上，我们的方法始终优于最新的前沿方法。代码已公开于 https://github.com/SYSUzrc/FDG-Diff。
引用
@article{arxiv.2501.12832,
title = {FDG-Diff: Frequency-Domain-Guided Diffusion Framework for Compressed Hazy Image Restoration},
author = {Ruicheng Zhang and Kanghui Tian and Zeyu Zhang and Qixiang Liu and Zhi Jin},
journal= {arXiv preprint arXiv:2501.12832},
year = {2025}
}