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
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
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
基金:
引用

No.****
同行评议
共计0人参与
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
评论
全部评论