通过成分解耦与任务感知路径自适应学习恢复多重退化图像
计算机视觉与模式识别
2025-11-10 v1
摘要
图像恢复（IR）旨在从退化观测中恢复清晰图像。尽管取得了显著进展，但现有大多数方法集中于单一退化类型，而真实世界图像通常遭受多种共存的退化，例如单张图像中同时存在雨滴、噪声和雾，这限制了它们的实际有效性。在本文中，我们提出了一种自适应的多重退化图像恢复网络，该网络利用退化成分的解耦表征来指导路径选择，从而重建图像。具体而言，我们在编码器中设计了一个退化成分解耦块（DIDBlock），通过整合空间和频域信息来统计分离退化成分，增强对多种退化类型的识别并使其特征表征相互独立。此外，我们提出了融合块（FBlock），利用可学习矩阵整合所有层级的退化信息。在解码器中，我们进一步引入了任务自适应块（TABlock），它基于多重退化表征动态激活或融合功能分支，在不同的退化条件下灵活选择最优恢复路径。由此产生的紧密集成架构被称为 IMDNet，通过实验进行了广泛验证，结果显示其在多重退化恢复上表现出优越性能，同时在单一退化任务上保持强劲竞争力。
引用
@article{arxiv.2511.04920,
title = {Learning to Restore Multi-Degraded Images via Ingredient Decoupling and Task-Aware Path Adaptation},
author = {Hu Gao and Xiaoning Lei and Ying Zhang and Xichen Xu and Guannan Jiang and Lizhuang Ma},
journal= {arXiv preprint arXiv:2511.04920},
year = {2025}
}