（arxiv2025）小波变换+Mamba，图像去雾新突破，涨点起飞！

主要观点总结

该论文介绍了一种名为WDMamba的图像去雾方法，首次提出将“波文退化先验”应用于图像去雾，并将Mamba State Space模型引入低频建模。该方法采用粗到细的两阶段深度学习框架，包括低频重建网络（LFRN）和细节增强网络（DEN）。此外，还引入了自引导对比正则化（SGCR）机制，以提高模型的感知真实感。论文中提供了详细的模型架构描述、创新点、实验结果和可视化对比。

关键观点总结

关键观点1: 首次提出“波文退化先验”用于图像去雾，将雾霾退化主要集中在低频子带，高频子带保留更多纹理细节。

作者基于这一发现，将图像去雾任务分解为低频结构还原和高频细节增强两个子任务。

关键观点2: 引入Mamba State Space模型进行低频建模，使用Low-Frequency Restoration Network (LFRN) 建模低频子带图像的全局结构。

Mamba具备类似Transformer的全局建模能力，但计算复杂度为线性，更加高效。

关键观点3: 提出自引导对比正则化（SGCR）机制，在训练阶段使用中间的“粗去雾图像”作为hard negative sample，与GT进行对比学习，促使网络生成更加自然、真实的最终图像。

与传统的对比正则化相比，SGCR无需额外模型或采样技巧，并能显著提升细节表现力与稳定性。

关键观点4: WDMamba是一个面向图像去雾任务的粗到细两阶段深度学习框架，整体结构由三部分组成：低频子带的提取与建模、细节增强网络、以及自引导对比正则化。

该方法在合成图像和真实雾图上都取得了良好的去雾效果，并且在远景与高密度雾区域表现更好，细节更丰富、颜色更自然。

免责声明