ZID-Net：用于单张图像去雾的零推理扩散先验解耦网络
计算机视觉与模式识别
2026-04-28 v1 图像与视频处理
摘要
单张图像去雾往往受恢复质量与计算效率之间的权衡制约。虽然高效的 CNN 网络难以学习去雾的鲁棒先验，但扩散模型虽提供强大的生成先验，却因严重的推理延迟和采样不稳定而受限。为解决这些限制，我们提出 ZID-Net，一种新型框架，显式地将扩散监督与前馈推理解耦。为实现高效推理，我们设计了频率-空间解耦式前馈主干网络。在该主干网络中，通道-空间拉普拉斯掩码（CSLM）过滤雾化噪声，以提取净化的结构细节；轻量级全局上下文块（LGCBs）建立长程空间依赖，捕获全局雾气变化。随后，动态特征仲裁块（DFAB）自适应地融合这些语义和结构特征，以实现稳健的重构。为在不增加推理成本的情况下为该主干网络提供物理先验，我们在训练期引入零推理先验传播头（ZI-PPH）。ZI-PPH 利用条件扩散过程预测残余噪声，为主干网络提供降解感知的结构监督。通过在测试时丢弃扩散分支，ZID-Net 将扩散先验集成到纯前馈架构中，实现准确且高效的恢复。ZID-Net 在合成 RESIDE 数据集上达到 40.75 dB PSNR，在真实数据集上显著优于现有方法，提升 1.13 dB；在 StateHaze1k 遥感数据集上提升 3.06 dB PSNR，仅需 19.35 ms 的推理时间。项目代码已公开：https://github.com/XoomitLXH/ZID-Net。
引用
@article{arxiv.2604.23709,
title = {ZID-Net: Zero-Inference Diffusion Prior Decoupling Network for Single Image Dehazing},
author = {Xinheng Li and Minghao Chen and Mengqing Wu and Yan Liu and Guanying Huo},
journal= {arXiv preprint arXiv:2604.23709},
year = {2026}
}
备注
Submitted to Neurocomputing. Includes 12 figures and 8 tables