基于拉普拉斯频率先验的Laplace-Mamba CNN-Mamba 混合网络用于图像去雾

最近的图像修复进展强调了空间状态模型（Spatial State Models, SSMs）作为建模长程依赖关系的强大工具， 由于其线性复杂度和计算效率。然而，基于SSM的方法在重建局部结构方面存在局限， tend to be less effective when handling high-dimensional data, frequently resulting in suboptimal recovery of fine image features. 为解决这些挑战， 我们引入Laplace-Mamba，一种集成拉普拉斯频率先验与混合Mamba-CNN架构的新框架，用于高效图像去雾。 利用拉普拉斯分解， 图像被解耦为捕获全局纹理的低频分量和表示边缘和细节的高频分量。 这种分解使 specialized processing via dual parallel pathways：低频分支采用SSM进行全局上下文建模， 而高频分支利用CNN来细化局部结构细节， 从而有效应对各种雾气情景。 值得注意的是， 拉普拉斯变换 facilitate 信息-preserving downsampling of low-frequency components in accordance with the Nyquist theory， 因此显著提高了计算效率。 在多个基准测试中的广泛评估表明， 本方法在恢复质量和效率方面均优于最先进的方法。 源代码和预训练模型可在 https://github.com/yz-wang/Laplace-Mamba 提供。