基于多分量分解的混合天气退化图像复原网络MCD-Net：突破单一先验限制的新范式

本文提出多分量分解网络（MCD-Net），创新性地引入三组分先验（背景内容、主退化掩膜、残差退化），通过基于Transformer的主干网络与注意力引导分支协同实现复杂天气下的图像复原。该模型在单一天气与混合天气数据集上均显著优于现有方法（如Restormer、FFA-Net等），为真实环境下的视觉任务（如目标检测、图像分割）提供了鲁棒性保障。

　　

亮点

• 提出新颖的三分量分解先验，精准建模真实天气退化现象

• 构建MCD-Net统一框架，基于Transformer架构有效解耦背景、主掩膜与残差退化

• 在多天气数据集上验证了卓越性能，展现复杂真实场景下的强鲁棒性

相关研究

本节讨论本文涉及的最新进展与局限，包括单一天气退化复原算法、多天气退化复原算法以及多任务学习。

架构概览

MCD-Net整体结构如图4所示，包含组分分解模块与组分融合模块。分解模块借鉴多任务建模思想构建树形网络：（1）主干网络（单一）：从退化图像提取多尺度特征；（2）分支网络（多重）：从退化图像的多尺度特征中分解与重建组分。融合模块接收...

实验

本节通过大量对比实验证明所提方法的有效性。首先介绍数据集、训练细节、评价指标等实验设置，随后展示与前沿方法的对比结果，最后通过消融实验验证各模块贡献。

结论与未来方向

本文提出MCD-Net——一种面向复杂天气退化图像复原的新颖多分量分解框架。与传统双组分假设不同，我们的三分量分解策略显式分离建模背景、主退化掩膜与残差分量，显著提升复原效果与泛化能力。该架构结合基于Transformer的主干网络与注意力引导...