PVRF：基于先验调制和速度约束整流流的全能型恶劣天气去除方法
提出PVRF统一框架，结合零样本软天气感知与速度约束整流流优化，通过视觉语言模型估计天气类型和属性分数，引导恢复网络，在保真度和感知质量上超越现有方法，且跨数据集泛化能力强。
来源arXiv Computer Vision作者: Wei Dong, Han Zhou, Terry Ji, Guanhua Zhao, Shahab Asoodeh, Yulun Zhang, Guangtao Zhai, Jun Chen, Xiaohong Liu
现实世界中的图像常受到恶劣天气（如雨、雪、雾等）的影响，导致图像质量下降。现有的去天气方法往往针对单一退化类型设计，且基于失真驱动的训练容易产生过于平滑的结果，缺乏感知质量。为此，研究人员提出了PVRF（Prior-modulated and Velocity-constrained Rectified Flow），一个统一的框架，集成了零样本软天气感知与速度约束整流流优化。
PVRF的核心创新在于引入了针对恶劣天气去除的问答模块（AWR-QA）。该模块利用冻结的视觉语言模型（VLM），无需额外标注即可估计天气类型的软概率以及低层属性分数（如对比度、亮度等）。这些感知信息通过属性调制归一化（AMN）和天气加权适配器（WWA）来调节恢复网络，生成一个锚定估计，用于后续的优化。
在优化阶段，PVRF学习一个终端一致的残差整流流。该整流流包含感知自适应源扰动和终端一致速度参数化，能够稳定终端区域附近的学习过程，从而提升最终恢复质量。与传统的扩散模型相比，整流流方法在采样效率和性能上具有优势。
大量实验表明，PVRF在保真度和感知质量上均优于现有的最佳方法。在单一天气退化（如雨、雾、雪）以及复合退化场景下，PVRF都展现了强大的跨数据集泛化能力。作者还计划在GitHub上公开代码，以促进该领域的研究。
总之，PVRF通过结合视觉语言模型的先验知识和整流流的优化能力，为恶劣天气去除提供了一种高效且通用的解决方案。其零样本感知机制降低了对标注数据的依赖，而速度约束的整流流则保证了高质量的恢复结果。