WeatherRemover：基于多尺度特征图压缩的一体化恶劣天气去除
计算机视觉与模式识别
2026-04-09 v1
摘要
在恶劣天气条件下拍摄的照片常因雨、雪和雾的干扰而出现模糊、遮挡和低亮度问题。这些问题可能显著阻碍后续计算机视觉任务的性能，因此去除天气效应是图像增强的关键步骤。现有方法主要针对特定天气条件，仅有少数能够处理多种天气场景。然而，主流方法往往忽视性能考量，导致参数规模大、推理时间长和内存成本高。在本研究中，我们引入了WeatherRemover模型，旨在增强各种天气条件影响图像的恢复效果，同时平衡性能。我们的模型采用带有门控机制和多层级金字塔视觉Transformer的类UNet结构。它利用源自卷积神经网络的通道注意力来优化特征提取，而线性空间缩减有助于控制注意力的计算需求。门控机制被策略性地放置在前馈和下采样阶段，通过有选择地处理冗余信息并减轻其对学习的影响来优化信息处理。这种方法促进了关键数据的自适应选择，确保优越的恢复效果并最大化效率。此外，我们的轻量级模型在恢复质量、参数效率、计算开销和内存使用之间取得了最优平衡，使其区别于其他多天气模型，从而有效满足实际应用需求。源代码可在 https://github.com/RICKand-MORTY/WeatherRemover 获取。
引用
@article{arxiv.2604.06623,
title = {WeatherRemover: All-in-one Adverse Weather Removal with Multi-scale Feature Map Compression},
author = {Weikai Qu and Sijun Liang and Cheng Pan and Zikuan Yang and Guanchi Zhou and Xianjun Fu and Bo Liu and Changmiao Wang and Ahmed Elazab},
journal= {arXiv preprint arXiv:2604.06623},
year = {2026}
}
备注
Accepted by IEEE Transactions on Artificial Intelligence