摘要
---------------------------- 最近的研究在统一的多天气图像恢复方面取得了显著进展，这种技术旨在通过单一模型处理多种天气诱导的图像退化现象。我们观察到，雨水、雾霾和雪天的图像恢复在退化特征和学习机制上存在显著差异，这导致直接的联合优化容易导致性能不平衡和知识迁移效果不佳。为此，我们提出了UMWIR-Net（统一多天气图像恢复网络），该网络采用了非对称任务协同学习（Asymmetric Task Collaborative Learning, ATCL）策略。ATCL包括任务内难度优化（Intra-Task Difficulty Optimization）和任务间贡献调度（Inter-Task Contribution Scheduling）两个部分。任务内难度优化通过联合建模剩余的恢复误差和当前的学习进展，动态评估每个天气任务的优化难度，从而为收敛较慢或优化不足的任务分配更多的权重。任务间贡献调度则衡量源任务更新对目标任务验证目标的影响，构建一个非对称的任务贡献矩阵，从而优先促进那些能够提供更强可迁移知识的任务，同时补偿那些从协同学习中获益较少的任务。通过这种方式，不同的天气恢复任务以选择性和非对称的方式协同工作，使模型能够利用任务间的互补知识，提升整体恢复效果。此外，UMWIR-Net采用了基于小波的Transformer结构来捕捉低频和高频信息，有效处理多样天气条件下的全局结构和局部细节。在多天气图像恢复数据集上的广泛实验表明，UMWIR-Net实现了最先进的性能，在去除雨水、雾霾和雪花方面实现了更加均衡的恢复质量。
-------------------------- 
