面向双通道盲图像分离的小波抑制交互扩散模型

目的盲图像分离（blind image separation， BIS）指在未知混合方式及源图像先验的条件下，从单幅观测图像中同时估计并恢复多个独立源图像的逆问题，典型应用包括恶劣天气（雨、雪）去除和反射/阴影层分离等。然而，现有的BIS方法普遍依赖人工先验或基于卷积神经网络（convolutional neural network，CNN）或对抗生成网络（generative adversarial network，GAN）的变体，难以刻画真实场景中源图像复杂且多变的特征分布，导致在强噪声、非线性混合及纹理细节高度耦合的情况下出现源图像分离估计偏差、纹理失真和伪影残留等缺陷。对此，本文创新性地将扩散模型引入双通道盲图像分离，提出一种高效的双通道扩散分离模型（dual channel diffusion separation model， DCDSM）。方法DCDSM利用扩散模型学习源图像的特征分布，实现对源图像特征结构的有效重建，并根据两个源图像互为耦合噪声的特性，在双分支扩散的反向去噪过程设计了小波抑制模块（wavelet suppression module， WSM），形成交互式的双分支分离网络，提高混合图像细节信息的分离效果。结果在含雨/雪及复杂混合场景的合成数据集上进行了充分实验，结果表明：1）DCDSM在去雨、去雪的图像复原任务中分别取得PSNR/SSIM指标值为35.002 3 dB/0.954 9和29.810 8 dB/0.924 3，较Histoformer和LDRCNet分别提升1.257 0 dB/0.927 2 dB（PSNR）和0.026 2/0.028 9（SSIM）。2）针对复杂混合图像的双盲分离任务，所恢复的双源图像在纹理保真度与细节完整性上均显著优于其他方法，其PSNR与SSIM指标在两个通道上的平均值分别达到25.004 9 dB和0.799 7，较对比方法提升4.124 9 dB和0.092 6。结论本文模型在主观视觉和客观指标上相较于对比方法均取得最优的结果，解决了存在雨纹和雪纹残留、混合图像中细节模糊等问题。