点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入图像恢复旨在从受退化影响的图像中恢复清晰、高质量的视觉内容在视频监控、自动驾驶、移动成像等场景中具有广泛应用价值。传统图像恢复方法大多针对单一退化类型分别建模例如去雨、去雾、去噪、去模糊等任务通常需要单独训练模型不仅存储开销大而且依赖对退化类型和强度的先验判断难以适应动态复杂场景。为此一体化图像恢复AiOIR试图用一个统一模型同时处理多种退化成为近年来图像复原领域的重要研究方向。近日实验室研究团队围绕一体化图像恢复中长期存在的性能和泛化瓶颈首次从因果建模角度系统分析了现有方法的内在缺陷并提出一种因果去混淆小波解耦提示网络为复杂真实环境下多退化图像恢复提供了新的思路。相关成果以All-in-One Image Restoration via Causal-Deconfounding Wavelet-Disentangled Prompt Network为题已被CCF-A类计算机视觉领域顶级学术期刊 IEEE Transactions on Image Processing 接收。论文信息论文作者王炳楠*秦滨*李江梦*徐帆江孙富春熊辉通讯李江梦论文地址https://arxiv.org/abs/2603.038391从因果视角揭示一体化图像恢复的关键瓶颈尽管 AiOIR 在统一建模方面取得了进展但研究团队发现现有方法在真实场景中仍普遍面临两个关键问题。其一是非退化语义特征与退化模式之间的虚假相关。例如某些训练数据集中动物场景更多出现在去雨任务中而在去雾、去模糊任务中较少出现模型因此可能把场景内容误当成退化线索影响对真实退化模式的判断。其二是退化模式估计偏差。即便在标准测试条件下现有模型对去雨、去雾等退化类型的识别仍难以做到完全准确这种偏差在分布变化场景下会进一步放大从而削弱模型性能与泛化能力。基于此团队构建了一体化图像恢复的结构因果模型指出 AiOIR 的目标不应只是学习退化图像与恢复结果之间的相关性而应学习两者之间去混杂后的真实因果关系。这一分析为后续网络设计提供了理论依据。2小波解耦与提示建模协同实现因果去混淆针对上述两个问题论文提出了一个因果驱动的全新一体化复原框架。该方法包含两个关键设计。首先团队设计了小波注意力模块分别嵌入编码器和解码器中。该模块借助小波变换对特征进行高低频分解并利用低频子带的注意力图作为退化表征使网络更多聚焦于退化区域而非场景语义从而显式解耦退化特征与语义特征缓解虚假相关问题。论文中的可视化结果显示该注意力图能够有效聚焦雨丝、雾气、噪声、模糊和低照度等退化区域。其次为应对退化模式估计偏差研究团队提出了小波提示块。该模块将退化模式视作难以直接准确观测的变量转而引入由提示引导的小波子带组合作为替代变量通过后门调整思想实现因果去混淆。其中退化权重估计器根据退化表示估计不同频率子带的重要性提示引导的空间特征变换模块则实现提示与特征的自适应交互从而更准确地捕捉退化图像到恢复图像之间的真实因果效应。模型架构图3在多种退化任务上取得优于现有方法的表现论文在去雨、去雾、去噪、去模糊和低照度增强等多个任务上对所提出方法进行了系统评测并分别在五模式和七模式两种一体化设置下与多种代表性方法进行比较。实验结果表明在五模式设置中本研究的平均 PSNR 达到 33.15 dB较此前最优方法进一步提升 0.59 dB在七模式设置中平均 PSNR 达到 30.56 dB较次优一体化方法提升 2.22 dB。进一步地针对真实应用中常见的数据分布变化问题团队还构建了均衡测试集来检验模型在弱化场景偏置条件下的泛化能力。结果显示本方法在去雾、去雨和不同噪声强度下均优于已有 AiOIR 方法表明该方法能够提取与语义无关、与真实退化更相关的表示在复杂实际场景中具有更强稳定性。模型架构图4为复杂环境下统一图像复原提供新思路该研究将因果分析、小波频域建模与提示学习机制有机结合不仅为理解一体化图像恢复模型中的性能瓶颈提供了新的理论视角也为面向真实复杂环境的统一图像复原模型设计提供了可借鉴的方法。论文同时指出未来还可进一步结合具备更强语义与空间推理能力的大模型探索混合退化、复合退化等更具挑战性的实际问题。往期精彩文章推荐关于AI TIMEAI TIME源起于2019年旨在发扬科学思辨精神邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索加强思想碰撞链接全球AI学者、行业专家和爱好者希望以辩论的形式探讨人工智能和人类未来之间的矛盾探索人工智能领域的未来。迄今为止AI TIME已经邀请了2000多位海内外讲者举办了逾800场活动超1000万人次观看。我知道你在看提出观点表达想法欢迎留言点击阅读原文查看作者论文