基于小波驱动的多频信号解锁网络：动态交互式图像去雨新范式

为解决雨纹与背景耦合导致的图像退化问题，研究人员提出WD-MFSU网络，通过WDMEL模块实现多频信号解耦，结合RBADC模块增强雨纹-背景动态交互。实验表明该方法在PSNR/SSIM指标上优于现有技术，为自动驾驶等下游任务提供高质量图像支撑。

　　

在计算机视觉领域，雨纹和薄雾造成的图像质量下降一直是棘手难题。雨纹不仅以高频条纹形式存在，还会与低频背景产生复杂耦合，传统基于滤波或稀疏编码的方法难以有效分离。更棘手的是，现有小波变换方法往往直接分解原始图像，导致雨纹特征与背景细节相互污染，最终去雨结果常伴随伪影和结构失真。

中国测绘科学研究院（Chinese Academy of Surveying and Mapping, CASM）的Jiping Liu团队在《Neuromodulation: Technology at the Neural Interface》发表研究，提出革命性的WD-MFSU网络。该研究突破性地将小波分解对象从原始图像转向纯雨纹成分，通过WDMEL模块的全局-结构-细节三分支协同处理，结合RBADC模块的动态卷积与复合注意力机制，首次实现雨纹与背景的精准解耦。

关键技术包括：1）基于patch-embedding的雨纹成分分离；2）多尺度小波分解驱动WDMEL模块；3）RBADC模块的序列复合注意力（sequential compound attention）和动态卷积；4）在Rain200H等5个数据集上采用PSNR/SSIM指标验证。

【研究结果】

1. 架构设计：WD-MFSU采用CNN-Transformer混合框架，通过雨纹成分的独立小波分解，避免传统方法中低频背景污染问题。WDMEL模块的全局分支处理全频信号，结构分支专注低频，细节分支优化高频。

2. 动态交互：RBADC模块引入条件卷积，根据雨纹密度动态调整通道权重。实验显示该设计使SSIM提升0.03-0.05，尤其对DID-Data数据集中的大雨场景效果显著。

3. 性能验证：在Rain200H数据集上PSNR达32.17dB，较次优方法提高1.2dB；SPA真实数据集视觉评估显示背景纹理保留完整度提升37%。

4. 下游任务：将去雨结果输入YOLOv5检测器，行人检测mAP提高5.6%，证实方法对实际应用的增益。

结论部分强调，该研究首次揭示雨纹成分独立分解的科学价值，WDMEL与RBADC的协同机制为多频信号处理提供新范式。相比固定参数方法，动态交互设计使模型参数量减少18%的同时提升性能，这对资源受限的边缘设备部署具有重要意义。研究获得国家自然科学基金（42301473）等支持，相关代码已在GitHub开源。