您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202611-18
论文题目 面向雨雾图像分块扩散推理的中位数鲁棒融合方法
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷()

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年, -

编者.论文集名称(英文) [c].

出版地出版社 出版年,-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • (0)

  • ()

面向雨雾图像分块扩散推理的中位数鲁棒融合方法

首发时间:2026-11-19

张劼 1   

张劼,北京邮电大学数学科学学院副教授,本文第一作者、通信作者。

刘知远 1   
  • 1、北京邮电大学数学科学学院,北京 102206

摘要:高分辨率恶劣天气恢复常采用重叠分块扩散推理以降低显存开销,但重叠预测的聚合会影响恢复结果。本文在保持 WeatherDiffusion 网络结构、训练过程和预训练权重不变的条件下,以逐像素、逐通道的标准中位数替代均值融合,减弱偏离预测的影响。实验覆盖 50 个基础场景,每个场景包含 4 个预先固定的退化变体,共 200 张 rainfog 图像。在 WeatherDiff64、64×64 分块、步长 16、25 步 DDIM 采样和随机种子 61 的设置下,标准中位数融合相对均值融合的 PSNR-Y 和 SSIM-Y 分别提高 0.1003 dB 和 0.001046,MAE-Y、GBER 和 Grad-GBER 分别降低 0.0975、0.003842 和 0.013077。场景级 bootstrap 置信区间均未跨越零,经 Holm 校正的五项双侧配对 Wilcoxon 检验均达到显著水平,表明该融合方式在当前 rainfog 设置下改善了客观恢复指标和重叠网格区域误差。

关键词: 图像处理 雨雾图像恢复 扩散模型 分块推理 重叠融合 中位数

For information in English, please click here

Robust Median Fusion for Patch-Based Diffusion Rain-Fog Restoration

ZHANG Jie 1   

张劼,北京邮电大学数学科学学院副教授,本文第一作者、通信作者。

LIU Zhiyuan 1   
  • 1、School of Mathematical Sciences, Beijing University of Posts and Telecommunications, Beijing 102206, China

Abstract:Patch-based diffusion inference reduces memory use but requires aggregating overlapping predictions. Without retraining WeatherDiffusion, this study replaces uniform averaging with pixel-wise, channel-wise median fusion. Tests on 200 rainfog images from 50 scenes use WeatherDiff64, 64×64 patches, stride 16, 25-step DDIM sampling, and seed 61. Median fusion raises PSNR-Y and SSIM-Y by 0.1003 dB and 0.001046, while lowering MAE-Y, GBER, and Grad-GBER by 0.0975, 0.003842, and 0.013077. All scene-level bootstrap intervals exclude zero, and all five Holm-corrected paired Wilcoxon tests are significant, supporting median aggregation under this setting.

Keywords: image processing rain-fog image restoration diffusion model patch-based inference overlap fusion median fusion

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
张劼,刘知远. 面向雨雾图像分块扩散推理的中位数鲁棒融合方法[EB/OL]. 北京:中国科技论文在线 [2026-11-19]. https://www.paper.edu.cn/releasepaper/content/202611-18.

No.****

同行评议

共计0人参与

评论

全部评论

0/1000

勘误表

面向雨雾图像分块扩散推理的中位数鲁棒融合方法