基于时序感知扩散模型的高效图像去雾算法研究

针对密集雾霾图像去雾这一病态逆问题，研究人员提出了一种基于时序感知扩散模型的高效去雾方法。通过设计残差嵌入机制缩短马尔可夫链，结合TADC动态卷积块和离线回溯采样技术，实现了仅需15步的高质量去雾，在合成与真实雾霾数据集上均达到SOTA性能。该研究为复杂场景下的高效图像复原提供了新思路。

　　

户外成像系统常因雾霾颗粒的光散射效应导致图像质量严重退化，表现为局部对比度衰减和边缘模糊。这种退化不仅影响视觉观感，更会引发深度神经网络中语义特征的分布偏移，进而干扰自动驾驶、遥感监测等上游计算机视觉任务。尽管基于大气散射模型(Atmospheric Scattering Model, ASM)的传统方法取得了一定进展，但在极端光学深度条件下，手工设计的物理先验往往失效。近年来扩散模型(Diffusion Models, DMs)虽展现出强大的生成能力，但其千步级的迭代过程导致计算效率低下，成为制约实际应用的瓶颈。

针对这一挑战，研究人员开展了基于时序感知扩散模型的高效图像去雾研究。通过构建残差嵌入机制缩短马尔可夫链，设计TADC动态卷积块融合时序信息，并创新性地提出离线回溯采样策略，最终在15步内实现了与千步级扩散模型相当的去雾效果。该成果发表于《Expert Systems with Applications》，为复杂场景下的实时图像复原提供了新范式。

关键技术方法包括：1) 采用IR-SDE(反向随机微分方程)构建潜空间扩散模型；2) 设计残差嵌入模块生成鲁棒条件引导；3) 开发时序感知动态卷积块(TADC)实现参数自适应调制；4) 提出无需训练的离线回溯扩散采样(Backtracking Diffusion Sampling)优化传输路径。实验使用256×256像素训练块，在RTX 4090 GPU上完成验证。

【Residual Embedding】
通过建立时序信息引导的残差编码，将马尔可夫链长度从千步级缩短至15步。该模块通过x=θ_t
(μ-x)dt+σ_t
dw的均值回复过程，在潜空间实现高效信息传输。

【Temporal-Aware Dynamic Convolution】
基于NAFNet架构改进的动态卷积块，通过时间步信息干扰适应短步长扩散，同时解析雾霾浓度分布。实验显示该模块使PSNR指标提升2.3dB。

【Backtracking Diffusion Sampling】
离线反向去噪过程通过迭代回溯优化传输路径，无需额外训练即可将SSIM提高0.15。统计表明最佳回溯步长与噪声水平β呈负相关。

研究证实，该方法在SOTS和HazeRD等数据集上PSNR达32.6dB，较传统DCP(暗通道先验)方法提升47%。时序感知机制有效解决了短步长扩散中的细节丢失问题，而残差嵌入将计算耗时降低两个数量级。值得注意的是，回溯采样对极端浓雾样本(β>0.8)的适应性仍有提升空间，这为后续研究指明了方向。

该工作的创新性体现在三方面：首次将扩散步长压缩至实用级(15步)，提出首个融合时序感知的动态卷积架构，开创了离线优化扩散路径的新范式。这些突破不仅推动了图像复原领域的发展，更为扩散模型在边缘计算设备的部署提供了技术支撑。正如作者Liang, H.在讨论部分指出，该方法"建立了高效扩散与质量保持的新平衡"，其开源实现已获工业界关注。