WeatherCycle：基于色彩空间解耦的无配对多天气恢复框架
计算机视觉与模式识别
2025-09-30 v1
摘要
无监督地面多天气恢复仍是基础且未被充分探索的挑战。虽然已有方法常依赖特定任务的物理先验，但其狭窄的关注范围限制了在多样化真实世界天气情景下的可扩展性和泛化能力。本文提出了WeatherCycle，一个统一的无配对框架，将天气恢复问题重新表述为受降解感知课程正则化引导下的双向降解-内容翻译循环。在核心，WeatherCycle采用lumina-chroma分解策略，在不建模复杂天气的前提下实现了降解与内容的解耦，使其能够在降解图像和干净图像之间进行域转换。为建模多样化且复杂的降解，我们提出了lumina降解引导模块（LDGM），该模块从降解图像池中学习 luminance 降解先验，并通过频域幅度调制将其注入干净图像中，以实现可控且真实的降解建模。此外，我们引入难度感知对比正则化（DACR）模块，通过CLIP-based分类器识别困难样本，并强制执行难样本与恢复特征之间的对比对齐，以增强语义一致性和鲁棒性。在多个多天气数据集上的大量实验表明，我们的方法在无监督方法中实现了最先进的性能，并对复杂天气降解展现出强大的泛化能力。
引用
@article{arxiv.2509.23150,
title = {WeatherCycle: Unpaired Multi-Weather Restoration via Color Space Decoupled Cycle Learning},
author = {Wenxuan Fang and Jiangwei Weng and Jianjun Qian and Jian Yang and Jun Li},
journal= {arXiv preprint arXiv:2509.23150},
year = {2025}
}