语义与内容决定因素：面向图像去雾的多先验层次 Mamba
计算机视觉与模式识别
2025-11-18 v1
摘要
雨显著�降低计算机视觉系统的性能，尤其是在自动驾驶和视频监控等应用中。尽管现有去雾方法取得了显著进展，但往往在语义和空间细节的保真度方面存在挑战。为此，我们提出了用于图像去雾的多先验层次 Mamba（MPHM）网络。该新型架构综合整合了宏观语义文本先验（CLIP）用于任务级语义指导，和微观结构视觉先验（DINOv2）用于场景感知结构信息。为缓解异构先验之间的潜在冲突，我们设计了渐进式先验融合注入（PFI），在解码器的不同层级策略性地注入互补线索。同时，我们为 backbone 网络配备了精心设计的层次 Mamba 模块（HMM），以实现稳健的特征表示，具有 Fourier 增强的双路径设计，同时解决全局语境建模和局部细节恢复。全面实验表明，MPHM 实现了最先进的性能，在 Rain200H 数据集上实现 0.57 dB PSNR 提升，同时在真实世界雨天场景中实现了卓越的泛化。
引用
@article{arxiv.2511.13113,
title = {Semantics and Content Matter: Towards Multi-Prior Hierarchical Mamba for Image Deraining},
author = {Zhaocheng Yu and Kui Jiang and Junjun Jiang and Xianming Liu and Guanglu Sun and Yi Xiao},
journal= {arXiv preprint arXiv:2511.13113},
year = {2025}
}