基于视觉状态空间的Illumination Degradation Image Restoration深度展开网络重构

深度展开网络（DUN）广泛用于照明退化图像修复（IDIR），以融合基于模型的方法的可解释性与学习方法的泛化能力。然而，DUN-based方法的性能仍显著低于当前最先进的IDIR求解器。我们的调查表明，这一限制并非源于DUN的结构缺陷，而是源于对展开结构的有限探索，尤其是(1)构建任务特定的恢复模型、(2)集成先进网络架构和(3)设计DUN特定损失函数。为此，我们提出一种新颖的DUN方法，称为UnfoldIR，用于IDIR任务。UnfoldIR首先引入一种具有专用正则化项的新IDIR模型，用于平滑照明并增强纹理。我们将该模型的迭代优化解构为多阶段网络，每个阶段包含一种反射率辅助照明校正（RAIC）模块和一种照明引导反射率增强（IGRE）模块。RAIC采用视觉状态空间（VSS）提取非局部特征，实现照明平滑，而IGRE引入频率感知VSS以全局对齐类似纹理，使轻度退化区域引导更严重退化区域的细节增强。这抑制噪声并增强细节。鉴于多阶段结构，我们提出一种跨阶段信息一致性损失以维持最终阶段的网络稳定性。该损失有助于结构保持并使模型在无监督设置下仍能保持性能。实验验证了在5项IDIR任务和3个下游问题上的有效性。