基于效用–风险门控的事件残差融合图像去模糊：RCEA

《ICT Express》：RCEA: Utility–risk gated event residual fusion for image deblurring

　　

事件引导去模糊被建模为条件残差接受问题。以输出为依归的效用与风险评估控制事件的连续注入。同图干净/损坏配对用于检验接受分数是否跟踪实际实现的残差效用。HighREV与FEVD评估量化迁移增益与残余风险。一个参数高效的1.474M参数链条支持边缘部署。FEVD迁移与五项损坏事件压力测试评估事件失效下的优雅退化。研究人员提出风险约束事件接受（RCEA），一种用于图像去模糊的效用–风险门控事件残差融合方法。RCEA保留仅图像的复原锚点并将事件信息表示为有界候选残差，学习以输出为依归的效用与风险线索以控制残差接受。在声明的HighREV与FEVD协议下，其保持正的干净输入增益；固定骨干消融与冻结审计表明在所评估的失配下具有更低的负迁移率（NTR）与以输出为依归的决策。完整评估包为1.474M参数，RCEA提供面向可靠性的选择性事件利用。

运动模糊会移除动态场景中的高频结构。事件相机提供互补的时间测量，事件引导去模糊方法利用跨模态融合、运动感知表示与自适应时间模型。其收益依赖空间与时间对齐：极性反转、时间偏移、空间位移或错误关联均可使事件残差变得有害，而常规融合通常无条件注入该残差。为此，研究人员将事件引导去模糊表述为条件事件残差接受问题，提出风险约束事件接受框架（RCEA），其完整去模糊链条记为RCEA-Deblur。该框架通过投影引导骨干分离出仅图像锚点与候选事件残差，效用头与风险头从残差实测重建效果中学习并连续调制其注入。研究意义在于：将事件引导去模糊表述为输出级条件残差接受；从候选残差的局部重建效果导出效用/风险监督并实现有界连续接受；通过固定骨干消融、同图配对、受控失配以及仅需输入格式与分辨率适配的冻结目标域FEVD评估验证选择性接受。主要关键技术方法包括：投影引导复原骨干（含RGB复原路径、事件路径、多尺度融合块、残差头与可靠性头）；基于最小二乘oracle的残差增益标签构造（式2）；效用、风险与原始动作三头预测及风险抑制门（式3、式4）；由对齐滤波、残差风险上限与图文兼容性调制构成的最终选择性重建链（式5）；三阶段分步训练目标（式7）。样本队列来源为HighREV数据集（421个验证样本，256×256，五个事件bin）与FEVDheld-out目标域测试划分（128×128，五个事件bin，n=2390，其中1195样本确认集为该划分的子集）；另在903对REBlur帧及Noise2Image供体压力测试（8个供体、800个缓冲、116,553,473个事件）上进行外部配对与供体压力验证。研究结果如下：系统级复原与安全性方面，表1在事件失配下报告完整有界策略，六种条件均保持正的模糊相对增益，失配行降低干净情形增益但未推翻整体复原，表明完整策略在正常与不可靠事件支持下均能提供有用复原与优雅退化；FEVDheld-out测试与压力测试方面，表2全干净测试集与确认子集分别获得＋0.452与＋0.364 dB增益、NTR为4.23%与6.78%，压力行在扰动事件定时或关联下刻画输出行为；FEVD相同骨干输出门控消融方面，表3固定样本与骨干输出仅改变接受，干净输入下门控保持＋0.452 dB增益并将NTR由13.47%降至4.23%，各损坏条件下门控一致降低NTR，支持在所声明条件下减少负迁移而非普适无损害保证；外部配对与供体压力验证中，903对REBlur帧上官方EFNet参考的PSNR/SSIM由34.3088/0.95308变为34.5151/0.95438，250帧（27.69%）出现负PSNR增益，Noise2Image压力测试中RCEA的锚点相对（Δ,NTR）在干净/叠加/替换下为（＋0.0003,0.00%）、（＋0.0413,0.66%）、（＋0.00002,0.00%），而无门控融合为（＋0.2512,28.35%）、（＋0.1683,37.87%）、（?0.0832,30.68%），门控选择性衰减高风险残差；学习接受信号证据方面，2526条记录上????与????达到AUROC 0.906与0.922，最终门控AUROC 0.871、Brier 0.062、ECE 0.046，与实测增益相关性为＋0.604、?0.593、＋0.703，同图干净/损坏配对中????下降0.417、????上升0.494、最终门控下降0.895，期望方向分别出现于97.4%、99.3%、99.5%的配对，锚点相对NTR由无门控融合的79.0%降至完整策略的2.8%，表明分数响应事件残差的实际收益或危害而非随机门控；HighREV与FEVD基线比较方面，表5在相同干净输入协议下比较六个固定参考，HighREV上DA-MAENet-GoPro取得最低NTR（3.09%对RCEA的4.28%），而RCEA提供高2.149 dB的模糊相对增益（3.461对1.312 dB），其在HighREV与FEVD上最高GSTS（0.990与1.000）仅作为等权补充汇总，增益与NTR仍为主要证据；定性比较方面，图3在文本、物体边界与棋盘格过渡处显示RCEA保留更锐利结构并避免若干固定参考产生的可见伪影；参数高效部署方面，完整评估包为1,474,093参数，RTX 3090上同步FP32仅模型前向延迟为21.538/21.440 ms/图（HighREV/FEVD），峰值分配GPU内存为989,725,184 B（943.9 MiB），256样本CPU审计为456.075/455.465 ms/图，峰值CPU RSS为635.8 MB。讨论部分指出：当前评估在声明的HighREV、FEVD、REBlur与事件供体压力协议下展示了面向可靠性的残差控制；受当前时间与经费限制，实验聚焦于真实事件流的复原与受控供体或事件失配扰动，尚未包含物理事件传感器故障仿真与复原验证，未来将扩展同步物理传感器故障数据、更广泛硬件失效模式及相应复原协议；对校准漂移、事件交换及相关关联扰动观察到最强保护，而时间偏移仍是具挑战性的边界情形，需未来时间对齐细化；CPU配置为离线而非实时，NTR为输出级负迁移代理而非对每个下游系统的形式化保证。结论部分译文：本文提出风险约束事件接受（RCEA），一种用于图像去模糊的效用–风险门控事件残差融合方法。RCEA保留仅图像复原锚点并将事件信息表示为有界候选残差。RCEA学习以输出为依归的效用与风险线索以控制残差接受。在声明的HighREV与FEVD协议下，其保持正的干净输入增益；固定骨干消融与冻结审计表明在所评估的失配下具有更低的NTR与以输出为依归的决策。完整评估包为1.474M参数，RCEA提供面向可靠性的选择性事件利用。