MoireXNet：基于线性注意力测试时训练和截断流匹配先验的自适应多尺度去 Moire 技术
计算机视觉与模式识别
2025-06-23 v1 人工智能
图像与视频处理
摘要
本文提出了一种用于图像和视频去 Moire 去噪的新型框架，通过将最大后验估计（MAP）与先进的深度学习技术相结合来实现。去 Moire 针对的是固有的非线性退化过程，这对现有方法构成重大挑战。传统的监督学习方法要么无法完全去除 Moire 图案，要么会产生过于平滑的结果。这源于模型容量受限和训练数据稀缺，导致对干净图像分布的表征不足，阻碍了对真实图像的准确重建。虽然生成模型在线性退化的图像修复中表现出色，但在非线性情形（如去 Moire）时往往难以避免引入伪影。为此，我们提出一种混合 MAP 基方法，集成两个互补组件。第一个是增强了高效线性注意力测试时训练（Test-Time Training, TTT）模块的监督学习模型，直接学习 RAW-to-sRGB 去 Moire 的非线性映射。第二个是截断流匹配先验（Truncated Flow Matching Prior, TFMP），通过与干净图像分布对齐进一步细化输出，有效恢复高频细节并抑制伪影。这两个组件将线性注意力的计算效率与生成模型的细化能力相结合，实现了提升的修复性能。
引用
@article{arxiv.2506.15929,
title = {Moir\'eXNet: Adaptive Multi-Scale Demoir\'eing with Linear Attention Test-Time Training and Truncated Flow Matching Prior},
author = {Liangyan Li and Yimo Ning and Kevin Le and Wei Dong and Yunzhe Li and Jun Chen and Xiaohong Liu},
journal= {arXiv preprint arXiv:2506.15929},
year = {2025}
}