近日，課題組的論文“SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal”被中科院二區(qū)TOP期刊《Neural Networks》接收。

        針對雨、雪、霧、低光等多種惡劣天氣導致的視覺退化問題，課題組提出了一種基于擴散模型的 半監(jiān)督統(tǒng)一學習框架 SemiDDM-Weather，能夠在單一模型中實現(xiàn)多種天氣退化的一體化去除。該方法采用 教師–學生式半監(jiān)督結(jié)構(gòu)，并以 小波擴散主干網(wǎng)絡(luò)（Wavelet Diffusion Backbone） 為核心，融合多尺度的紋理與結(jié)構(gòu)特征。為了充分利用未標注樣本，提出了 動態(tài)偽標簽優(yōu)化策略（Dynamic Pseudo-label Refinement），在訓練過程中自適應地更新教師模型生成的偽標簽，從而提升特征一致性與模型的泛化能力。

        在主干網(wǎng)絡(luò)的設(shè)計上，我們選用了當前先進的小波擴散模型 WaveDiff，并對其輸入形式和損失函數(shù)進行了定制，以適應多種天氣退化向單一清晰圖像的 多對一映射學習。

        為了有效利用大量無標簽數(shù)據(jù)，我們構(gòu)建了一個 可靠“偽標簽”庫（Reliable Bank），并在教師網(wǎng)絡(luò)輸出的結(jié)果中加入 質(zhì)量評估與內(nèi)容一致性約束，篩選出當前最優(yōu)偽標簽，用以指導學生網(wǎng)絡(luò)的訓練。該策略有效緩解了偽標簽錯誤可能對模型訓練造成的誤導。

　　通過聯(lián)合優(yōu)化監(jiān)督損失與自監(jiān)督損失，SemiDDM-Weather 在多種合成及真實天氣退化數(shù)據(jù)集上取得了優(yōu)于全監(jiān)督對手的方法，在視覺質(zhì)量與恢復效果方面均表現(xiàn)突出。

       該工作得到了國家自然科學基金(62202507、62272116、62302110、62025604)、廣東省自然科學基金（2025A1515012830、2022A1515011209、2024A1515011996、2025A1515012807）、福建省自然科學基金（2024J01098）等的資助。

論文信息：

       本工作已在Neural Networks上正式發(fā)表 ，作者是廣州大學的龍芳，蘇文康，李子軒，李明杰，王員根，華僑大學的蔡磊以及中山大學的操曉春。