小波驱动的多频信号解锁网络：突破图像去雨中的频域耦合难题

为解决降雨导致的图像质量退化问题，研究人员提出基于小波变换的多频信号解锁网络(WD-MFSU)，通过雨成分分解(WDMEL)和雨-背景动态交互模块(RBADC)，在合成与真实雨景数据集上实现优于现有方法的去雨效果，同时保持较低计算复杂度。该研究为自动驾驶等下游任务提供高质量图像预处理方案。

　　

在计算机视觉领域，雨雾天气严重影响着自动驾驶、安防监控等关键应用的性能。传统去雨方法依赖手工设计滤波器或稀疏编码，难以处理复杂雨纹与背景的耦合；而现有深度学习方案多直接分解原始图像，导致高频细节与雨纹特征混淆。中国测绘科学研究院(CASM)的研究团队在《Neurocomputing》发表的研究中，创新性地提出小波驱动多频信号解锁网络(WD-MFSU)，通过聚焦雨成分而非原始图像的频域分解，结合Transformer与CNN混合架构，显著提升去雨精度。

研究采用三大关键技术：1) 小波分解驱动多元学习(WDMEL)模块，通过全局-结构-细节三分支处理雨成分的频域特征；2) 雨背景增强动态交互(RBAD)模块，利用复合注意力与动态卷积实现跨成分特征校准；3) 多尺度下采样策略，在Rain200H等5个数据集上验证有效性。

【研究结果】
• 频域特征解锁：WDMEL模块对雨成分进行小波分解，实验显示其PSNR在Rain200L数据集达32.17dB，较基线提升2.4dB，有效缓解传统方法中低频背景与高频雨纹的耦合问题。
• 动态特征交互：RBADC模块通过条件卷积实现雨/背景特征动态调整，在SPA真实数据集上SSIM提高9.6%，证明其增强视觉一致性的优势。
• 计算效率：模型参数量仅5.7M，在1080Ti显卡上处理512×512图像仅需23ms，满足实时性需求。

该研究突破传统频域处理的局限性，首次实现雨成分的定向频域解析，为恶劣天气下的视觉任务提供新范式。基金支持显示其应用潜力已获国家级项目(42301473)和四川省重点研发计划(24ZDYF0633)的认可。未来可扩展至雪雾等复杂天气场景的图像增强领域。