CV君 2025-09-25 00:02 江苏

一招解耦色彩与亮度，让AI看清雨雪雾，还原真实世界。

如何让AI在狂风暴雨、大雪纷飞、浓雾弥漫的天气里，也能“看”得清清楚楚。这不仅仅是听起来酷，对于自动驾驶、户外监控这些应用来说，简直是刚需中的刚需。

恶劣天气下的图像修复（Adverse Weather Image Restoration, AWIR）一直是个老大难问题。天气状况千变万化，传统的修复算法经常“水土不服”，遇到没见过的恶劣天气就抓瞎。后来有人尝试用提示学习（Prompt-learning）的方法，但又太依赖模型对天气状况的判断，一不小心就可能修出“四不像”。

最近，来自南京理工大学等机构的研究者们提出了一个名为 LCDiff 的新框架，给这个问题带来了全新的解法。这个名字听起来有点技术范，其实是“Lumina-Chroma Diffusion”的缩写，核心思想就是“亮度和色度解耦的扩散模型”。简单来说，它把图像的亮度和色彩分开处理，再用扩散模型来个精装修，效果非常惊艳。

标题：When Color-Space Decoupling Meets Diffusion for Adverse-Weather Image Restoration

作者：Wenxuan Fang, Jili Fan, Chao Wang, Xiantao Hu, Jiangwei Weng, Ying Tai, Jian Yang, Jun Li

机构：南京理工大学、东南大学、南京大学

论文地址：https://arxiv.org/abs/2509.17024

项目地址：https://github.com/fiwy0527/LCDiff

核心思想：从色彩空间下手

研究者们发现了一个有趣的现象：下雨、起雾这些天气，主要影响的是图像的亮度（Luminance），而对色彩（Chrominance）的影响其实没那么大。这就好比你戴上了一副脏了的眼镜，看东西会模糊、变暗，但物体的颜色本身没怎么变。

基于这个洞察，他们选择了在YCbCr色彩空间里做文章，而不是我们常见的RGB。在YCbCr空间里，Y通道代表亮度，而Cb和Cr通道代表色度。通过实验可以看到，把一张恶劣天气图像的Y通道换成一张清晰图像的Y通道，图像质量瞬间就上来了。这个发现，就是整个LCDiff框架的基石。

LCDiff框架：两步走，让图像变清晰

LCDiff的整个工作流程可以分为两大步，由两个核心组件完成：Lumina-Chroma Decomposition Network (LCDN) 和 Lumina-Guided Diffusion Model (LGDM) 。

第一步：LCDN负责“粗装修”

首先登场的是 LCDN（亮度-色度分解网络）。它的任务是把输入的退化图像分解成亮度和色度两个部分，然后分别进行修复。

亮度修复模块 (LRM) ：这个模块专门负责处理受天气影响最严重的Y（亮度）通道。它利用了像NAFNet这样在图像恢复领域表现出色的网络结构，专门去除亮度通道里的天气“痕迹”，比如雨丝、雾气等。

频率色度恢复模块 (FCRM) ：对于基本没怎么被天气影响的CbCr（色度）通道，FCRM则小心翼翼地进行处理，确保图像的颜色不会失真，同时还能抑制可能出现的色彩噪声。它聪明地将色度信号分解到频域，对低频和高频成分进行针对性优化，从而在保持颜色一致性的同时保留细节。

经过LCDN处理后，就得到了一张初步修复的图像。可以说，天气造成的“硬伤”基本都被修复了，但可能还存在一些细节模糊、纹理失真的问题。

第二步：LGDM负责“精装修”

接下来，轮到 LGDM（亮度引导的扩散模型） 上场了。它接手LCDN的“半成品”，进行精细的打磨和优化。

扩散模型大家可能不陌生，它在图像生成领域非常火。LGDM的创新之处在于，它不是盲目地去生成，而是利用了上一步LCDN修复好的亮度信息作为“引导”，告诉扩散模型应该朝哪个方向去优化。这样做的好处是，模型不需要再费劲去猜天气到底是什么，直接根据清晰的亮度结构来恢复图像细节，过程更稳定，效果也更好。

此外，作者还引入了一个叫 动态时间步损失 (Dynamic Time Step Loss) 的东西。CV君觉得这个点子很巧妙。在扩散模型的修复过程中，不同阶段（时间步）关注的重点是不同的。早期阶段，模型主要关注图像的轮廓、结构等低频信息；到了后期，则更关注纹理、细节等高频信息。这个动态损失就能在不同阶段自动调整优化目标，确保低频和高频特征都能得到均衡、高质量的恢复。