arXiv cs.AI· Abdulaziz Alfaraj, Mohammed Al Naser, Hassan Al Nasser, Muzammil Behzad·· 1 天前AI 评分27
WaveFlow-UIE：单管线小波域流模型实现高效水下图像复原
WaveFlow-UIE: A Single-Pipeline Wavelet-Domain Flow Model for Efficient Underwater Image Restoration
AI 导读
WaveFlow-UIE 是一个单管线小波域流模型，直接学习将退化水下小波表示变换为清晰表示，无需多阶段扩散流程。在 UIEB、LSUI、UFO-120 和 EUVP 上，该模型相较强小波扩散基线大幅降低推理成本，并在多个配对基准上保持或提升复原质量。将推理从五步流减少到单步后，在 UIEB 256×256 分辨率下几乎保持全部复原质量，并额外带来约 4 倍加速。
正文 · AI 翻译
摘要：水下图像恢复仍然具有挑战性，因为颜色失真、散射和细节丢失对低频和高频图像成分的影响各不相同。近期基于扩散的方法已展现出很强的恢复质量，但往往依赖多阶段流程和代价高昂的迭代细化。我们提出 WaveFlow-UIE，这是一种单流程小波域流模型，直接学习将退化的水下小波表示转换为干净的小波表示。我们的方法应用离散小波变换，估计包括透射率和环境光在内的轻量级物理启发式退化线索，并以在小波空间中通过流匹配训练的速度网络作为条件。训练目标结合了流匹配、频率加权重建、感知、颜色一致性和物理一致性损失。在 UIEB、LSUI、UFO-120 和 EUVP 上，WaveFlow-UIE 实现了很强的质量-效率权衡，在感知指标上尤其具有竞争力。相对于强的小波扩散基线，所提出的模型大幅降低了推理成本，同时在多个配对基准上保持或提升了恢复质量。我们表明，将推理过程从五步流减少到单步，几乎保留了全部恢复质量，同时在 UIEB 上以 $256\times256$ 分辨率额外带来约 $4\times$ 的加速。这一单步结果说明，单次小波域模型是更重的扩散式细化的有效替代方案。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15457 [cs.CV] |
| （或此版本的 arXiv:2611.15457v1 [cs.CV]） | |
| https://doi.org/10.48550/arXiv.2611.15457 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Muzammil Behzad [查看电子邮件]
[v1]
2026年11月11日星期三 13:28:18 UTC（2,095 KB）
来源：arXiv cs.AI · arxiv.org