基于频率感知Mamba的恶劣天气下交通图像修复
计算机视觉与模式识别
2025-12-04 v1
摘要
在恶劣天气条件下交通图像修复仍是智能交通系统的关键挑战。现有方法主要关注空间域建模，但忽略了频率域先验。尽管新兴的Mamba架构通过patch-wise相关分析在长程依赖建模方面表现出色，但其在频率域特征提取的潜力尚未探索。为此，我们提出Frequency-Aware Mamba(FAMamba)，一个集成频率引导与序列建模的新框架，用于高效图像修复。我们的架构包含两个关键组件：(1) Dual-Branch Feature Extraction Block(DFEB)，通过双向2D频率自适应扫描增强局部-全局交互，基于子带纹理分布动态调整遍历路径；(2) Prior-Guided Block(PGB)，通过小波基高频残差学习细化纹理细节，实现高质量图像重建。同时，我们设计了 novel的自适应频率扫描机制(Adaptive Frequency Scanning Mechanism, AFSM)，使Mamba架构能够跨离散子图实现频率域扫描，充分利用子图结构中固有的纹理分布特征。广泛实验表明，FAMamba在效率和效果方面均表现出色。
引用
@article{arxiv.2512.03852,
title = {Traffic Image Restoration under Adverse Weather via Frequency-Aware Mamba},
author = {Liwen Pan and Longguang Wang and Guangwei Gao and Jun Wang and Jun Shi and Juncheng Li},
journal= {arXiv preprint arXiv:2512.03852},
year = {2025}
}
备注
12pages, 13 figures, 5tables