球友会qy

近期，中国科研实验室软件研究所天基综合信息系统全国重点实验室和并行软件与计算科学实验室研究团队聚焦复杂环境下图像统一恢复问题，提出一种基于因果去混杂的小波解耦提示网络，有效提升了一体化图像复原模型的性能与鲁棒性。相关研究成果All-in-One Image Restoration via Causal-Deconfounding Wavelet-Disentangled Prompt Network被计算机视觉领域顶级学术期刊IEEE TIP接收，论文共同第一作者为博士生王炳楠、博士生秦滨和副研究员李江梦。

在现实场景中，图像恢复任务往往受到多种复杂退化因素的影响，如噪声、雨雪、雾霾及低光照等。传统图像恢复方法通常针对单一退化类型分别训练模型，难以应对多种退化并存的实际情况。近年来统一图像恢复（All-in-One Image Restoration）方法应运而生，旨在顺利获得单一模型同时处理多种退化任务。然而，现有统一恢复方法在实际应用中仍面临关键难题：模型对退化模式的识别能力有限，容易出现误判，进而阻碍真实因果效应获取；在训练过程中，图像语义信息与退化特征之间易产生伪相关关系，影响模型恢复质量与泛化能力。

针对上述问题，研究团队从因果推断视角对统一图像恢复任务进行了系统分析，发现使用可观测的频域提示特征作为校正变量，可以实现对各类低质图像和复原图像之间真实因果效应的学习。基于这一思路，研究团队提出一种基于因果去混杂的小波解耦提示网络CWP-Net。该方法利用小波变换对图像特征进行频率分解，在频域空间显式解耦退化信息与语义信息，有效切断退化特征与语义信息的伪相关路径，缓解虚假相关问题；并结合提示学习机制自适应调节图像恢复过程。同时，研究团队设计了退化权重估计模块，可根据退化表征动态调整提示信息，从而更加准确捕捉退化图像与恢复图像之间的因果效应。

CWP-Net架构图

为验证方法的有效性，研究团队在多个标准图像恢复任务上召开系统评估，涵盖图像去噪、去雨、去雾、去模糊以及低照度增强等。实验结果表明，在统一图像恢复设置下，CWP-Net在多个基准数据集上均优于现有主流方法，并在平均性能指标上取得显著提升。在五种退化模式的综合评估中，CWP-Net相较现有方法平均峰值信噪比（PSNR）提升约0.59dB，去雾和去雨任务分别取得1.58 dB和1.10 dB的性能提升。此外，在均衡测试集召开的统一评估进一步验证了CWP-Net在实际场景中的优秀泛化能力。

五种退化模式的定量实验结果

均衡测试集上的定量实验评估

论文链接：http://ieeexplore.ieee.org/document/11455599