MODEM：用于恶劣天气图像恢复的莫顿序退化估计机制
计算机视觉与模式识别
2025-10-24 v2
摘要
恢复受恶劣天气退化的图像仍然是一个重大挑战，因为天气引起的伪影具有高度非均匀和空间异质的特性，例如细粒度雨条纹与广泛雾霾之间的差异。准确估计底层退化可以直观地为恢复模型提供更有针对性的有效指导，从而实现自适应处理策略。为此，我们提出了一种用于恶劣天气图像恢复的莫顿序退化估计机制（MODEM）。MODEM 的核心是莫顿序二维选择性扫描模块（MOS2D），它将莫顿编码的空间排序与选择性状态空间模型相结合，以捕获长程依赖关系同时保持局部结构一致性。配合 MOS2D，我们引入了一个双退化估计模块（DDEM），用于解耦并估计全局和局部退化先验。这些先验动态地约束 MOS2D 模块，促进自适应和上下文感知的恢复。广泛的实验和消融研究证明，MODEM 在多个基准和天气类型上取得了最先进的结果，突显了其在建模复杂退化动态方面的有效性。我们的代码将发布在 https://github.com/hainuo-wang/MODEM.git。
引用
@article{arxiv.2505.17581,
title = {MODEM: A Morton-Order Degradation Estimation Mechanism for Adverse Weather Image Recovery},
author = {Hainuo Wang and Qiming Hu and Xiaojie Guo},
journal= {arXiv preprint arXiv:2505.17581},
year = {2025}
}
备注
Accepted by NeurIPS 2025