用于电力线航拍图像多尺度逆向天气去除的傅里叶网络

《Neural Networks》：Multi-scale Fourier Network for All-in-one Adverse Weather Removal of Power Line Aerial Image

　　

胡斌|杨赛|李学军|戴向龙|王晓鹏|江勇|文万志|朱海荣

摘要

高质量的无人机航拍图像对于可靠的自主电力线路巡检至关重要。然而，雾霾、雨雪等恶劣天气条件往往会降低图像清晰度，妨碍后续分析。本文提出了一种多尺度傅里叶网络（MFNET），这是一种高效的一体化修复框架，旨在应对各种天气带来的图像质量下降问题。该架构包含两个主要模块：双分支傅里叶变换块（DFTB）和多尺度结构（MSS）。具体而言，DFTB通过独立校准频域中的幅度和相位分量来实现全局特征提取，从而优化表示能力与计算开销之间的平衡。同时，MSS利用交叉注意力机制融合多尺度特征，使模型能够捕捉不同退化程度下的层次化信息。这种整合方式有效分离了传统统一修复任务中相互关联的特征。在多个测试集上的定量与定性评估表明，MFNET取得了当前最优的性能，显著提升了电力线路图像分割的稳定性。

引言

作为重要能源供应基础的电力系统，对现代工业生产和社会城市生活而言极为关键。对电力线路进行巡检和维护是确保电力输送基础设施安全稳定运行的有效手段。而传统的人工巡检存在效率低、精度差且风险高的弊端。随着无人机（UAV）和人工智能（AI）的快速发展，自主巡检技术愈发智能化和自动化，不仅提升了巡检效率，还能实现更精准的数据分析。无人机电力线路巡检（DPLI）已逐渐成为现代电力系统中不可或缺的一部分（He等人，2023年）。

得益于深度学习技术强大的特征表达能力，通过准确识别无人机拍摄的航拍图像中的关键电气组件及缺陷，即可实现DPLI（Li等人，2025年）。最近，杨等人通过实验证明，在雾霾、降雨和降雪等恶劣天气条件下，检测精度会显著下降。因此，他们提出了“恶劣天气下的电力线路航拍图像修复”这一新任务，旨在恢复被恶劣天气破坏的图像，并设计了单一处理和一体化处理的实验方案。其中一体化处理方案能够在同一模型中同时处理多种退化现象，在经济性和实用性方面都具有很大优势。因此，本研究主要聚焦于电力线路航拍图像的一体化恶劣天气去除技术。

由于存在多种不同的退化类型，加之这类问题本身具有严重的病态特性，使得一体化图像修复及其简化版的一体化恶劣天气去除任务极具挑战性。与单一图像修复类似，这些任务通常依赖具有长距离依赖建模能力的强大视觉变换器，其核心在于多头自注意力机制。实际上，注意力机制在图像修复领域被广泛应用。属于前者类型的代表性模型有Restomer（Zamir等人，2022年）、PromptIR（Potlapalli等人，2023年）、Dehazeformer（Song等人，2023年）、ART（Jiale等人，2023年）、CAT（Chen等人，2022b年）以及Uformer（Wang等人，2022年）；属于后者类型的也有相关模型。尽管已有一些新兴的神经网络结构被提出来试图挑战Transformer架构（Guo等人，2025年；Shi等人，2025年），但Transformer仍然在低级计算机视觉领域占据主导地位。

因此，本研究主要聚焦于电力线路航拍图像的一体化恶劣天气去除技术。由于存在多种不同的退化类型，加之这类问题本身具有严重的病态特性，这项任务极具挑战性。目前主流的方法，主要以卷积神经网络（CNN）和视觉变换器（ViTs）为基础，在这种特定场景下存在固有局限：

(1) 现有方法主要在空间域中进行操作。CNN受限于其局部感受野，难以捕捉到区分天气条纹与背景纹理所需的全局上下文。而Transformer虽然试图通过自注意力机制来建模长距离依赖关系，但其计算复杂度会随图像分辨率的增加而呈二次方增长。对于高分辨率的无人机航拍图像来说，这会导致极高的计算成本和内存占用。

(2) 更根本的是，恶劣天气会对图像在不同频率域产生不同的影响。雾霾主要会减弱低频能量（幅度），而雨雪则会给相位分量带来高频噪声。传统的空间域网络会将这些特征混在一起处理，难以将它们分开并同时进行修复。

为了解决这一难题，我们提议将处理范式从空间域转向频率域。与上述方法不同，我们利用快速傅里叶卷积（FFC，Chi等人，2020年）来实现线性全局感受野。这使得我们的模型能够在保持高计算效率的同时高效提取全局特征。此外，通过将频谱明确分为幅度和相位两个分支，我们的方法能够有选择地恢复图像的全局能量分布和结构细节，这一机制与现有的修复网络有着本质区别。

综上所述，我们的主要贡献如下：

• •
  我们引入傅里叶变换，以便在频率域中提取多尺度空间特征。借助频率域的优势，傅里叶变换为建模长距离上下文提供了一种高效替代方案，其计算开销远低于自注意力机制。
• •
  我们提出了一种新的强大网络——多尺度傅里叶网络（MFNET），该网络充分利用多尺度信息的优势，用于解决电力线路航拍图像的一体化恶劣天气去除这一难题。
• •
  我们在相同的一体化处理框架下，针对多个电力线路航拍图像修复测试集，开展了大量实验，将MFNET与众多现有的最先进图像修复方法进行了对比。

章节节选

无人机电力线路巡检

由于效率高、安全性好且覆盖范围广，无人机电力线路巡检（DPLI）的应用越来越广泛，为电力系统的维护和管理带来了巨大进步（Shirmohammadi和Ferrero，2014年）。借助无人机拍摄的航拍图像以及深度学习技术，DPLI相关研究主要围绕以下几个方面展开：

电力线路组件检测：指的是确定航拍图像中各组件的位置和类型，这是

整体流程

一体化恶劣天气去除任务本质上属于病态问题，因为单张图像中会存在多种相互关联的退化现象。恶劣天气会对不同频率段的图像形成过程产生不同影响：雾霾主要会减弱低频幅值分量，而雨雪则会在相位分量中引入高频噪声。传统的空间域网络难以高效地将这些相互关联的特征分开。因此，我们的研究思路是转变处理方式

数据集

所有实验都在一体化处理框架下进行，即训练一个统一模型，同时修复因不同天气条件而退化的图像（Yang等人，2025年）。表1总结了去雾、去雨水和除雪任务对应的具体合成设置以及训练/测试数据划分方式。

实现细节

我们使用基于Ubuntu的操作系统，搭配Pytorch库以及单个NVIDIA 4090显卡来开展所有实验。优化器采用Adam算法，其动量参数为[数学处理错误]${\beta }_1=0.9,{\beta }_2=0.999$，同时还会应用5e-4的权重衰减参数

结论

无人机电力线路巡检的重要性日益凸显，为电力设施的维护与保障提供了强有力的技术支持。毫无疑问，恶劣天气会影响无人机拍摄的航拍图像的清晰度，进而降低电力线路巡检的精度。为了解决这一问题，本文提出了多尺度傅里叶网络（MFNET），该网络可同时实现电力线路航拍图像的去雾、去雨水和除雪功能。该模型采用了

CRediT作者贡献说明

胡斌：写作——审稿与编辑，写作——初稿撰写，方法论研究，实验分析。杨赛：写作——审稿与编辑，方法论研究。李学军：资源提供。戴向龙：资源提供。王晓鹏：资源提供。江勇：资源提供。文万志：项目管理，资金筹集工作。朱海荣：资金筹集工作。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知利益冲突或个人关系。

致谢

本研究部分得到了南通市科技计划项目（JC2024065）、江苏省高校青年骨干教师培养计划“青蓝工程”、江苏省高校优秀教学团队“青蓝工程”、南通市人工智能新型质量技术重点实验室、江苏工程技术学院以及江苏省工程技术研发中心（苏教科函

(2023)11）的支持