基于不确定性感知神经网络（HIUNet）的单幅图像沙尘去除精准化研究

本文提出了一种创新的分层交互式不确定性感知网络（HIUNet），通过贝叶斯神经网络（BNN）提取鲁棒浅层特征，结合预训练编码器获取深度先验，并引入频率选择机制（EFS）增强特征交互。该方法在自建Sand11K数据集上验证了其卓越性能，为恶劣天气下的图像恢复提供了新思路。

　　

引言

恶劣天气条件如雨、雾、沙尘暴等对视觉感知系统构成重大挑战，其中沙尘污染尤为棘手——它会遮蔽物体边缘和纹理等关键细节，并直接影响目标检测和自主导航等下游任务。尽管基于编码器-解码器和UNet架构的深度学习方法已取得显著进展，但在处理沙尘退化特有的复杂不确定性模式时仍存在固有局限性。传统框架因单级特征提取范式和不充分的不确定性建模能力，难以从严重退化图像中提取全面特征表示。

相关研究

沙尘图像形成遵循大气散射物理模型：I(p)=J(p)t(p)+A(1-t(p))，其中t(p)=e^?βd(p)。沙尘条件下RGB通道的差异化退化会导致色偏、密度变化等特征。现有方法包括FFA-Net的特征融合注意力机制、Restormer的高效Transformer设计，以及NAFNet的简化激活函数方案。概率建模方面，UGPT和UGTR等方法探索了不确定性指导的学习范式。贝叶斯深度学习通过将权重参数从确定值转为概率分布，实现了对数据不确定性的显式建模，其最大后验概率估计（MAP）比传统最大似然估计（MLE）更具优势。

方法创新

HIUNet框架包含五大核心组件：

1. 1.

   不确定性感知概率浅层特征提取器（UPSFE）：采用贝叶斯神经网络量化输入数据的退化类型不确定性，通过动态权重生成增强特征鲁棒性

2. 2.

   预训练深度特征提取器：利用在Sand11K上预训练200轮的编码器获取深度先验，解码器加入空间注意力机制提升纹理感知

3. 3.

   特征选择网络（FSN）：通过高效频率选择器（EFS）实现通道维度交互，采用深度可分离卷积（DS）和门控机制（SG）保留细节特征

4. 4.

   跨尺度特征增强模块（CFEM）：通过多尺度卷积（1×1至9×9）和特征拼接实现渐进式 refinement

5. 5.

   多级特征融合：将CFEM增强特征与FSN选择特征拼接，最终通过卷积层集成输出

损失函数采用对小幅误差更宽容的Charbonnier惩罚函数：L=√(‖I′??‖²+?²)，其中?=10^?3

实验验证

在Sand11K数据集（包含11,985训练图像和2,397测试图像）上的实验表明：

• •

  在合成图像上PSNR超越第二方法M3SNet达0.27dB

• •

  真实图像BRISQUE指标优于MPRNet达1.81分

• •

  视觉恢复效果显著，能有效重建纹理细节

• •

  在图像去雾和雨滴去除任务上同样表现优异

  消融实验证实各组件贡献：UPSFE提升不确定性建模能力，深度先验提供强特征基础，CFEM增强多尺度特征融合，EFS优化频率特征选择

结论展望

本研究首次将不确定性建模引入沙尘图像恢复领域，HIUNet框架通过贝叶斯神经网络和频率选择机制的协同作用，实现了对复杂退化模式的有效处理。未来工作将进一步推进不确定性估计建模在低层视觉领域的应用，特别是在极端沙尘场景下的适应性研究。