UFR-GAN：面向多退化图像复原的轻量化生成对抗网络及其在下游识别任务中的效能突破

本文提出了一种基于生成对抗网络（GAN）的轻量化多退化图像复原模型UFR-GAN，融合Transformer特征聚合与频域对比学习，在仅45.4 M参数量下实现26.87 PSNR与0.83 SSIM的SOTA性能，显著降低计算复杂度，并在恶劣天气条件下将YOLOv11的车辆检测mAP50提升至0.73，推理时间缩短至2.7 ms，为自动驾驶、遥感监测等视觉任务提供高效通用复原方案。

　　

Section snippets

Related works

图像复原（Image Restoration, IR）是计算机视觉领域的基石任务，旨在从受多种环境因素影响的退化图像中重建高保真内容。历史上，研究多集中于通过专用架构处理单一退化类型，包括图像去噪（denoising）、去雨（deraining）、去雾（dehazing）、去模糊（deblurring）等。尽管这些任务特异性方法在特定场景中表现优异，却难以应对真实世界中多重退化同时存在的复杂环境。

Overview

本节提出我们基于双分支生成对抗网络（GAN）的多退化复原模型，旨在从退化原图中生成清晰图像。传统图像复原方法通常复杂且计算资源密集，难以部署于日常设备。我们采用基于CycleGAN的架构，搭配定制化Restormer骨干网络，在保持轻量化的同时实现卓越性能与高效处理，有效提升多种退化条件下的复原效果。

Experiment

本节阐述了实验设计，旨在评估多退化图像复原模型在多样且任意退化类型下的泛化能力，从而验证其作为统一解决方案的潜力。我们在代表性退化数据集上进行训练与评估，包括运动模糊（GoPro）、雾霾（RESIDE6K）、雨纹（Rain100H）、雪噪（Snow100K）、噪声与模糊（DIV2K）等。

Conclusion

本研究提出UFR-GAN，一个轻量化的统一多退化图像复原框架，可同时处理图像去噪、去雨、运动去模糊、低光增强、JPEG解压缩、雪尘去除及去雾等任务。通过整合Transformer架构与频域对比学习，我们的模型有效泛化至多种退化场景。实验结果表明，UFR-GAN以仅45.4 M参数量、26.87 PSNR与0.83 SSIM的性能超越当前最先进的复原方法，并显著降低计算复杂度。

CRediT authorship contribution statement

Binh An Nguyen： 撰写–审阅与编辑、初稿、可视化、软件、方法论、调研、形式分析、数据整理、概念化。

Minh Bao Kha： 撰写–审阅与编辑、初稿、验证、软件、方法论、调研、形式分析、数据整理、概念化。

Duc Manh Dao： 撰写–审阅与编辑、初稿、可视化、验证、软件、方法论、调研、形式分析。

Declaration of competing interest

作者声明不存在任何已知的竞争性经济利益或个人关系，可能影响本研究报告的客观性。